Внедрение ИИ и машинного обучения

Мы не продаём «искусственный интеллект» как продукт. Мы берём процесс, где человек ежедневно читает, сверяет или перечитывает одно и то же, и переносим повторяющуюся часть на модель — оставляя человеку решение и право вето.

Если же задача решается SQL-запросом, регламентом или нормально настроенной воронкой в CRM, мы так и скажем: нейросеть здесь добавит только стоимость и лишнюю точку отказа.

• Ассистенты на LLM: ответы по регламентам, договорам и базе знаний со ссылкой на исходный документ
• Компьютерное зрение: распознавание номеров, подсчёт людей, контроль СИЗ и брака на видеопотоке
• Прогнозирование: спрос, остатки, отток клиентов, нагрузка на смену — по вашей же истории
• Извлечение данных: счета, накладные, анкеты и договоры из сканов — в структурированные поля

Модель сама по себе не знает ваших регламентов. RAG — это поиск по вашей базе, результат которого подставляется в запрос: документы режутся на фрагменты, превращаются в векторы, лежат в pgvector или Qdrant и поднимаются гибридным поиском — векторным плюс классическим BM25, потому что артикулы, номера договоров и фамилии векторный поиск ловит хуже всего.

Найденное переранжирует кросс-энкодер, и в модель уходит 5–15 фрагментов, а не весь архив. Окно контекста в 128 тысяч токенов — не повод сваливать туда всё: вместе с контекстом растут и счёт, и вероятность, что нужный абзац утонет в середине. Отдельная местная сложность — сканы и смесь узбекской латиницы, кириллицы и русского в одном документе: без нормального OCR и нормализации на входе этого не спасёт никакая модель.

До первой строки кода мы собираем из ваших реальных обращений набор из 100–300 вопросов с эталонными ответами. Пишут его ваши сотрудники — только они знают, что считать правильным. Это и есть приёмка: не «выглядит умно», а измеримая доля верных ответов, согласованная заранее.

Дальше меряем три вещи: сколько ответов подтверждено ссылкой на документ, сколько раз система честно сказала «не знаю» и передала человеку, сколько раз ошиблась. Любая смена модели или промпта прогоняется по тому же набору — иначе «улучшение» тихо ломает то, что вчера работало. Первые недели система обычно живёт в теневом режиме: отвечает в лог, а клиенту отвечает человек.

Здесь наше преимущество техническое, а не рекламное: видеонаблюдение и СКУД мы монтируем сами, поэтому камера и модель проектируются как одна система. Для устойчивого распознавания автомобильного номера нужно порядка 100–150 пикселей на его ширину — это сразу задаёт фокусное расстояние, дистанцию и угол установки. Ни одна нейросеть не восстановит то, чего в кадре физически нет.

Поток забираем по RTSP/ONVIF и отдельно решаем, где считать: лёгкий детектор на edge-устройстве рядом с камерой держит задержку низкой и не гонит видео по сети, тяжёлые сценарии уходят на сервер с GPU. Результат отдаём не в очередной дашборд, а туда, где он нужен: в команду на открытие шлагбаума, в тревогу оператору, в строку складского учёта.

Вопрос не абстрактный: закон о персональных данных требует, чтобы персональные данные граждан Узбекистана обрабатывались в базах, физически расположенных в стране. Поэтому контуры мы разделяем на старте — что можно отправить во внешний API, а что не покидает периметр никогда.

Выбор дальше честный. Облачные модели сильнее всего в русском и узбекском, но данные уходят наружу. Открытые веса — Qwen, Llama, Gemma — работают на вашем железе: модель на 7–8 млрд параметров в квантованном виде укладывается в 8–16 ГБ видеопамяти, 70-миллиардной нужно уже за 40 ГБ. Она слабее в узбекском и дороже по железу, зато наружу не уходит ничего. Часто верный ответ — гибрид.

На срок сильнее всего влияет не модель, а состояние данных. Если регламенты лежат одним PDF без структуры, а история продаж — в трёх несводимых выгрузках, основная работа будет не в машинном обучении, а в приведении этого в порядок. Мы оцениваем это на старте, а не после подписания.

Второе — что системе разрешено делать: только отвечать или ещё заводить заявку в CRM, резервировать остаток, выставлять счёт. Каждое действие — это интеграция и своя цена ошибки. Третье, о чём обычно молчат: у ИИ есть постоянная стоимость. Счёт за токены или амортизация GPU идут каждый месяц, и эту цифру мы показываем до запуска, а не после.