Ассистент, отвечающий по вашим данным
Структура и пользовательские сценарии под вашу потребность.
Освободите время команды
для ценной работы.
Мы создаем ассистентов, работающих с корпоративными знаниями, обработку документов и прогнозные модели: ответы по вашим собственным данным, дообучение открытой модели на ваших данных и запуск на ваших серверах, модели прогноза спроса и выявления аномалий; до этого — подготовка и разметка данных, после — автоматизация с подтверждением человеком.
Анализ потребностей · Дизайн · Разработка
ВАША ПОТРЕБНОСТЬ
“Мне нужен ассистент, работающий со знаниями моей компании.”
РЕШЕНИЕ, КОТОРОЕ МЫ СОЗДАЁМ
От ваших знаний к действию
01Подключить данные
02Сформировать ответы
03Утвердить и применить
Примерный сценарий, выстроенный вокруг вашего проекта
ЧТО ВЫ ХОТИТЕ СДЕЛАТЬ?Ваша потребность
Ваша потребность
это отправная точка.
СТРОИТЕЛЬНЫЕ БЛОКИ ВАШЕЙ ИДЕИЧто
Что
мы создаём?
Мы определяем объём с учётом вашего сценария использования и проектируем каждую часть как элемент работающего целого.
Чат-боты и процессы поддержки
Разработка, совместимая с тем, как вы уже работаете.
Дообучение и установка on-prem
Тестирование и проверка в условиях реального использования.
Прогнозные и аналитические модели
Передача, документация и план дальнейшего развития.
С ЧЕГО МЫ НАЧИНАЕМНе модель,
Не модель,
а решенная задача.
Проект по ИИ начинается не с вопроса «какую модель взять». Сначала мы обсуждаем, какая задача съедает время, кто и как выполняет ее сегодня и как выглядит правильный ответ. Выбор модели идет после этого, и чаще выигрывает не самая впечатляющая модель, а метод, который решает задачу дешевле и предсказуемее.
На практике мы используем четыре метода. Ответы по вашим данным (RAG): ваши документы и записи становятся доступными для поиска, модель не угадывает ответ, а формирует его из найденного источника. Дообучение (fine-tuning): открытая модель обучается на ваших данных и осваивает язык компании, структуру форм и метки. Прогнозные и аналитические модели: классическое машинное обучение для числовых задач — спрос, запасы, задержки, аномалии; большая языковая модель здесь часто не нужна вовсе. Подготовка и разметка данных: обязательное условие для остальных трех; без сбора и очистки разрозненных данных не работает ничего.
Вопрос, где будет работать модель, тоже решается заранее. Возможна работа через API облачного провайдера либо установка открытой модели на ваш сервер, и тогда данные не покидают компанию. Стоимость, скорость и результат по приватности у этих вариантов разные; что подходит вам, определяем на первой встрече.
CM Apps применяет этот подход и в собственных продуктах: ассистентов и автоматизации в нашей операционной работе мы строим и обслуживаем сами. То есть нагрузку по сопровождению того, что предлагаем клиенту, сначала несем сами.
ИИ так же уверенно выдает и неверный ответ. Поэтому в каждом нашем сценарии показывается источник, на котором основан ответ, а операции с последствиями привязаны к подтверждению человеком. Сценарий, который нельзя измерить, мы в продуктив не выводим.
ФОРМА ПОТОКА
Ваши данныеДокументы · база данных · почта · записи панели
Слой моделиПоиск · дообученная модель · прогнозная модель · правила
Ваша командаВ панели, в WhatsApp или внутри вашего текущего ПО
Модель строится поверх ваших данных, а не вместо них. Источник остается у вас; слой только читает, формирует и при необходимости отправляет на подтверждение.
КАК МЫ РАБОТАЕМВнедрение
Внедрение
в четыре шага.
- 01
Разбираемся в задаче и данных
Сколько занимает операция, где лежат данные, как выглядит правильный ответ? Результат этого шага — не модель, а измеримое определение успеха.
- 02
Выбираем метод
Ответ содержится в документе или это числовой прогноз? В зависимости от этого выбираем RAG, дообучение, классическую модель или простой движок правил. Излишне большая модель лишь раздувает расходы.
- 03
Собираем и подключаем
Строим конвейер данных, модель и интерфейс; результат подключается к вашей панели, текущему ПО или потоку WhatsApp. На этом шаге задаются права и журнал аудита.
- 04
Измеряем и улучшаем
Тестируем на реальных вопросах, собираем ошибочные ответы, исправляем данные или модель. Улучшение — процесс постоянный, а не разовый.
ЧТО МЫ СОЗДАЕММетоды и
Методы и
что мы сдаем.
- Ассистент, отвечающий по вашим данным (RAG)Документы разбиваются и индексируются; ассистент формирует ответ со ссылкой на источник, а не выдумывает его.
- Дообучение моделиОткрытая модель обучается на данных компании и осваивает вашу терминологию, формы и метки.
- Установка на вашем сервереМодель работает на сервере компании, данные не уходят наружу. Потребность в оборудовании планируем вместе заранее.
- Прогнозные и аналитические моделиПрогноз спроса, запасов, задержек и цены; выявление аномалий и сбоев. Классическое ML для числовых задач.
- Обработка документов и данныхИзвлечение полей из счетов, договоров и накладных; перевод свободного текста в структурированную запись.
- Подготовка и разметка данныхСбор, очистка, разметка разрозненных данных и построение конвейера. Условие для всего остального.
- Чат-боты и процессы поддержкиАссистент поддержки на сайте, в панели и WhatsApp; если ответить не может, передает диалог человеку.
- Автоматизация с подтверждением человекомОперации с последствиями (платеж, договор, удаление) не выполняются сами по себе; шаг подтверждения встроен в поток.
КАК ЭТО ИСПОЛЬЗУЮТСценарии
Сценарии
из практики.
«Какое условие договора было у этого клиента в прошлом году?»
Архив договоров становится доступным для поиска; ассистент находит пункт и указывает, какой это документ и какая статья.
Кто вносит входящий счет в систему?
Поля извлекаются из документа, бухгалтерская запись готовится как черновик; сотрудник не вводит, а проверяет.
Сколько какого товара понадобится в следующем месяце?
По истории продаж, сезону и акциям строится прогноз спроса; предложение по заказу появляется в панели.
Поддержка отвечает на один вопрос сорок раз в день
Частые вопросы закрываются знаниями компании; исключения уходят человеку, команда занимается только сложным.
Мы поздно замечаем брак на производстве
На данных датчиков и производства настраивается выявление аномалий; при превышении порога уходит уведомление.
Наши данные не могут выходить наружу
Открытая модель устанавливается на ваш сервер и дообучается на ваших данных; в интернет не уходит ни одна запись.
ДАННЫЕ И ГРАНИЦЫЧто и куда
Что и куда
уходит — ясно.
- Где обрабатываются данные — письменноОблачный API или ваш сервер: выбор делается заранее и фиксируется в договоре. Незаметно он не меняется.
- Отказ от обучения по умолчаниюПо умолчанию ваши данные не идут на обучение модели провайдера; иначе — только по вашему явному запросу.
- Маскирование на уровне полейПоля с личными, контактными и финансовыми данными помечаются заранее и до модели не доходят.
- Обязательная ссылка на источникКаждый ответ ассистента указывает, на каком документе он основан; непроверяемый ответ ответом не считается.
- Операции с подтверждениемНеобратимые операции — деньги, договоры, удаление — без подтверждения человеком не выполняются.
- Журнал аудитаКакой вопрос задан, какой источник прочитан, какая операция выполнена — фиксируется все.
ВОПРОСЫ, КОТОРЫЕ ВАС ВОЛНУЮТ
Прежде чем начать.
Будут ли наши данные использованы для обучения модели провайдера?+
По умолчанию нет. При работе через облачный API мы включаем отказ от обучения; при установке открытой модели на ваш сервер данные и так не покидают компанию. Выбранная схема фиксируется в договоре.
Что нам подходит — дообучение или RAG?+
Если ответ содержится в ваших документах и контент часто меняется, RAG точнее и дешевле. Если модели нужно освоить ваш язык, формы и метки, подключается дообучение. Их используют и вместе; решаем, глядя на данные.
Сколько нужно данных?+
Зависит от метода: RAG работает с уже имеющимися документами, дополнительно собирать ничего не нужно. Для дообучения и прогнозных моделей нужны исторические записи; мы смотрим, что есть, и прямо говорим, достаточно ли этого или сначала нужна подготовка данных.
Что нужно, чтобы запустить это на своем сервере?+
GPU или мощный сервер по размеру модели. Небольшие модели могут работать на текущем оборудовании, крупные требуют отдельных вложений. После определения объема мы письменно даем требования к оборудованию и альтернативы.
Что если ответ окажется неверным?+
Источник ответа показывается всегда, поэтому ошибка видна. Операции с последствиями привязаны к подтверждению человеком. Ошибочные ответы собираются, данные или модель корректируются — это постоянная часть работы.
Нужно ли менять наше текущее ПО?+
Как правило, нет. Слой ИИ строится поверх вашей системы и читает данные через API или базу. Результат подключается к вашей панели, текущему ПО или потоку WhatsApp.
Остаются ли у нас исходный код и модель?+
Да. Разработанный код, конвейер данных и веса дообученной модели передаются вам. Установка продолжит работать, даже если вы не продолжите с нами.
Через сколько будет результат?+
Зависит от объема: ассистент под узкий набор вопросов запускается быстро, а многоисточниковые схемы и дообучение требуют подготовки данных. На первой встрече мы сужаем объем и выстраиваем реалистичный порядок.
НА НАШЕЙ ПЕРВОЙ ВСТРЕЧЕСначала мы
Сначала мы
выслушаем вас.
Вы можете прийти с идеей или с существующей системой. Начнём с этих вопросов и наметим реалистичную дорожную карту.
Спланируем вместе- 01
Какая задача отнимает больше всего времени?
- 02
Какие источники данных можно использовать?
- 03
Как мы будем оценивать ответы?
ЧАСТЬ БОЛЬШОГО ПРОЕКТА?
Направления экспертизы, которые работают вместе.
СЛЕДУЮЩИЙ ШАГРасскажите о своём бизнесе.
Обсудим ваш проект