Инсайты
ИИ и машинное обучение
Агенты, LLM-пайплайны, RAG, прогнозирование и компьютерное зрение — как это строится и что ломается в продакшене.
ИИ и машинное обучение
ИИ и машинное обучение ·
Лучшие заявки приходят в девять вечера: ИИ-агент приёма обращений отвечает, квалифицирует и передаёт их менеджеру до утра
Заявку, пришедшую вечером или в общий ящик, получает тот, кто ответил первым. Агент приёма читает её в любом канале, сверяется с CRM, уточняет недостающее, оценивает по вашим правилам и передаёт нужному человеку готовую сводку. Всё, что обязывает компанию, ждёт решения человека.
8 мин чтения
ИИ и машинное обучение ·
Из общей почты в CRM за минуты: ИИ-агент разбирает запросы КП и обращения в поддержку и ждёт вашего одобрения
В общую почту приходит письмо в две строки, к нему 14 страниц чертежей в PDF и таблица Excel. Пока кто-то не прочитает всё это, расчёт не начнётся. Агент-сортировщик на базе ИИ читает вложения, заполняет CRM и готовит черновик КП или тикета, а затем ждёт, пока назначенный сотрудник утвердит цену, сроки и условия.
8 мин чтения
ИИ и машинное обучение ·
Workflow или агент? Как мы решаем, ещё не написав ни строчки кода
Если каждый шаг процесса можно записать до запуска, стройте workflow и вызывайте LLM только там, где что-то нужно прочитать и истолковать. Агент нужен, когда следующий шаг зависит от находки предыдущего, и закрывайте его жёсткими лимитами.
7 мин чтения
ИИ и машинное обучение ·
Стоимость ИИ-агентов: бюджеты, кеш и маршрутизация
Счёт за агента растёт вместе с числом вызовов на задачу, а не с ценой токена. Мы измеряем стоимость завершённой задачи, держим префикс промпта кешируемым, отдаём каждый шаг самой дешёвой модели, которая проходит наши evals, и ограничиваем каждую задачу по токенам.
8 мин чтения
ИИ и машинное обучение ·
RAG, дообучение или длинный контекст: как мы выбираем
Начинайте с самой простой схемы, которая проходит оценку на ваших собственных вопросах: закешированный длинный промпт для небольшого стабильного корпуса, RAG, когда знания меняются, требуют цитат или закрыты правами доступа, и дообучение только ради поведения. Здесь — порядок, в котором мы всё проверяем, и места, где каждый вариант ломается.
8 мин чтения
ИИ и машинное обучение ·
Почему гибридный поиск обошел чистые эмбеддинги в нашем пайплайне Invoice AI
Чистые плотные эмбеддинги не справились с буквенно-цифровыми серийными номерами в нашем пайплайне Invoice AI. Объединение полнотекстового поиска PostgreSQL tsvector с косинусным расстоянием pgvector подняло точность совпадений top-1 с 61,4% до 94,8%.
6 мин чтения
ИИ и машинное обучение ·
Почему pgvector заменил Qdrant в нашем пайплайне Feedback AI
Мы перенесли 5 миллионов векторных эмбеддингов из кластера Qdrant в PostgreSQL 16 с pgvector 0.7. Рассказываем, как сократили накладные расходы на инфраструктуру, сохранив задержку поиска в пределах 50 мс.
5 мин чтения
ИИ и машинное обучение ·
Как работают ИИ-агенты: архитектура продакшн-агента
Агент — это модель, обёрнутая в восприятие, память, инструменты, оркестрацию и мониторинг. Практический разбор шести слоёв: что ломается в каждом и что мы с этим делаем.
5 мин чтения
ИИ и машинное обучение ·
RAG в продакшене: чек-лист, который мы проходим перед запуском
RAG демонстрируется за день и ломается через месяц. Двенадцать проверок — данные, поиск, генерация, эксплуатация, — которые отличают пилот от системы, на которую полагаются люди.
4 мин чтения