ИИ и машинное обучение

Мы делаем ИИ, который выходит как часть продукта: агенты, действующие внутри ваших процессов, LLM-пайплайны с поиском по вашим документам, модели прогнозирования и скоринга, компьютерное зрение и Document AI — с мониторингом и владельцем, никогда как отдельный научный проект. Наша ИИ-команда работает в том же процессе поставки, что и остальной Glanit: discovery, пилот, внедрение, поддержка. Это уже массовая работа: по данным McKinsey, 78% организаций используют ИИ хотя бы в одной бизнес-функции (McKinsey, 2025), и разница между ними не в модели, а в том, дошла ли она до продакшена.

• ИИ-агенты, действующие внутри ваших процессов: читают и пишут в CRM/ERP, отвечают клиентам, готовят документы, эскалируют людям при низкой уверенности.
• LLM-пайплайны с поиском (RAG) по вашим документам, тикетам и базам — обоснованные ответы с источниками.
• Прогнозирование и скоринг: спрос, отток, риск, ценообразование, качество лидов.
• Компьютерное зрение: контроль качества, классификация документов и изображений, OCR.
• Document AI: счета, договоры, формы — извлечение, проверка, проводка в ERP.
• NLP: классификация и маршрутизация отзывов, писем и тикетов на многих языках.

Для большинства бизнес-задач ответ — сначала поиск (RAG): он опирает ответы на ваши актуальные документы с источниками, мгновенно обновляется при изменении документов и не требует обучения. Fine-tuning оправдан, когда нужны конкретный стиль, формат или узкий навык при меньшей стоимости вызова. Оба подхода хорошо сочетаются; retrieval-augmented generation была предложена Lewis et al. (2020) именно для того, чтобы давать языковым моделям свежие, цитируемые знания без переобучения.

ИИ-проект идёт в четыре этапа — discovery, пилот, внедрение, поддержка, — и каждый заканчивается цифрой, которую можно проверить. Причина такой дисциплины проста: Gartner прогнозировал, что не менее 30% проектов генеративного ИИ будут заброшены после proof of concept к концу 2025 года из-за плохого качества данных, неясной бизнес-ценности и растущих затрат (Gartner, 2024). Пилот, который с первой недели измеряется на ваших реальных случаях, в их число не попадает.

Discovery (1–2 недели). Описываем процесс, собираем выборку реальных данных и договариваемся о метрике успеха — сэкономленные часы, доля ошибок, конверсия, время ответа.

Пилот (4–8 недель). Работающая система на узком участке с набором для оценки из ваших реальных случаев. Вы получаете цифру, а не демо.

Внедрение. Интеграция с вашими системами, ограничители, человек в контуре там, где действия необратимы, мониторинг качества, стоимости и дрейфа.

Поддержка. Оценка при каждом изменении, обновление моделей, бэклог улучшений — по SLA.

Стек — прежде всего Python: PyTorch, scikit-learn, LangChain/LlamaIndex или чистые SDK; модели OpenAI, Anthropic, Google и открытые (Llama, Mistral, Qwen) — self-hosted, когда данные не должны покидать ваш периметр. Векторный поиск в pgvector, Qdrant или Elasticsearch; развёртывание в Kubernetes или serverless; трассировка через OpenTelemetry/Langfuse. Мы выбираем наименьшую модель, которая надёжно достигает цели, потому что цены продолжают падать: по оценке Stanford AI Index, стоимость работы модели уровня GPT-3.5 снизилась более чем в 280 раз с ноября 2022 по октябрь 2024 года (Stanford HAI, 2025) — веская причина не привязывать архитектуру к одному вендору.

Доказательства — в кейсах и в цифрах, которые они приводят. Смотрите кейсы: ритейл-ассистенты на RAG, Document AI для счетов, дедупликация каталога, NLP по отзывам клиентов и наши собственные ИИ-продукты. Мы также объясняем, как работают ИИ-агенты в продакшене, а каждая ИИ-система строится с учётом нашей практики безопасности ИИ.