#автоматизация_процессов — Public Fediverse posts

Закрытый контур + локальная LLM: как мы запустили AI-агента без интернета

Полтора года назад мы запустили AI-ассистента внутри «Первой Формы», чтобы он помогал сотрудникам компании выполнять рабочие процессы. Сегодня он отвечает на вопросы по регламентам, ищет документы, подсказывает по задачам, даже запускает проверку контрагентов и формирует КП. Всё это работает через большую языковую модель, а точнее — через набор моделей, потому что разные задачи требуют разного подхода: для быстрой классификации входящего запроса нужна одна, для развёрнутой генерации ответа — другая, для работы с длинным контекстом — третья. Модели живут в облаке, и это даёт свободу выбора. Инструменты, которыми агент пользуется, тоже ходят в интернет: поиск по документации обращается к облачным моделям векторизации текста, проверка контрагентов — к внешним сервисам вроде Контур.Фокуса и так далее. Агент обновляется из GitLab, CI/CD развозит изменения по стендам автоматически, мониторинг стекается в один дашборд. Нас это устраивало. Недавно заказчик из промышленного сектора обратился к нам с задачей: «У нас закрытый контур, интернета нет и доступа к облачным API — тоже. Единственное, что у нас есть — это сервер с локальной моделью и наша внутренняя инфраструктура. Хотим такого же ассистента, как у вас». В статье рассказываем, как мы с этим справились. Спойлер: не без приключений.

https://habr.com/ru/companies/1forma/articles/1040438/

#ai #llm #enterprise #ai_agent #bpm #автоматизация #автоматизация_процессов #onpremise #lowcode

Закрытый контур + локальная LLM: как мы запустили AI-агента без интернета

Полтора года назад мы запустили AI-ассистента внутри «Первой Формы», чтобы он помогал сотрудникам компании выполнять рабочие процессы. Сегодня он отвечает на вопросы по регламентам, ищет документы, подсказывает по задачам, даже запускает проверку контрагентов и формирует КП. Всё это работает через большую языковую модель, а точнее — через набор моделей, потому что разные задачи требуют разного подхода: для быстрой классификации входящего запроса нужна одна, для развёрнутой генерации ответа — другая, для работы с длинным контекстом — третья. Модели живут в облаке, и это даёт свободу выбора. Инструменты, которыми агент пользуется, тоже ходят в интернет: поиск по документации обращается к облачным моделям векторизации текста, проверка контрагентов — к внешним сервисам вроде Контур.Фокуса и так далее. Агент обновляется из GitLab, CI/CD развозит изменения по стендам автоматически, мониторинг стекается в один дашборд. Нас это устраивало. Недавно заказчик из промышленного сектора обратился к нам с задачей: «У нас закрытый контур, интернета нет и доступа к облачным API — тоже. Единственное, что у нас есть — это сервер с локальной моделью и наша внутренняя инфраструктура. Хотим такого же ассистента, как у вас». В статье рассказываем, как мы с этим справились. Спойлер: не без приключений.

https://habr.com/ru/companies/1forma/articles/1040438/

#ai #llm #enterprise #ai_agent #bpm #автоматизация #автоматизация_процессов #onpremise #lowcode

Закрытый контур + локальная LLM: как мы запустили AI-агента без интернета

Полтора года назад мы запустили AI-ассистента внутри «Первой Формы», чтобы он помогал сотрудникам компании выполнять рабочие процессы. Сегодня он отвечает на вопросы по регламентам, ищет документы, подсказывает по задачам, даже запускает проверку контрагентов и формирует КП. Всё это работает через большую языковую модель, а точнее — через набор моделей, потому что разные задачи требуют разного подхода: для быстрой классификации входящего запроса нужна одна, для развёрнутой генерации ответа — другая, для работы с длинным контекстом — третья. Модели живут в облаке, и это даёт свободу выбора. Инструменты, которыми агент пользуется, тоже ходят в интернет: поиск по документации обращается к облачным моделям векторизации текста, проверка контрагентов — к внешним сервисам вроде Контур.Фокуса и так далее. Агент обновляется из GitLab, CI/CD развозит изменения по стендам автоматически, мониторинг стекается в один дашборд. Нас это устраивало. Недавно заказчик из промышленного сектора обратился к нам с задачей: «У нас закрытый контур, интернета нет и доступа к облачным API — тоже. Единственное, что у нас есть — это сервер с локальной моделью и наша внутренняя инфраструктура. Хотим такого же ассистента, как у вас». В статье рассказываем, как мы с этим справились. Спойлер: не без приключений.

https://habr.com/ru/companies/1forma/articles/1040438/

#ai #llm #enterprise #ai_agent #bpm #автоматизация #автоматизация_процессов #onpremise #lowcode

Закрытый контур + локальная LLM: как мы запустили AI-агента без интернета

Полтора года назад мы запустили AI-ассистента внутри «Первой Формы», чтобы он помогал сотрудникам компании выполнять рабочие процессы. Сегодня он отвечает на вопросы по регламентам, ищет документы, подсказывает по задачам, даже запускает проверку контрагентов и формирует КП. Всё это работает через большую языковую модель, а точнее — через набор моделей, потому что разные задачи требуют разного подхода: для быстрой классификации входящего запроса нужна одна, для развёрнутой генерации ответа — другая, для работы с длинным контекстом — третья. Модели живут в облаке, и это даёт свободу выбора. Инструменты, которыми агент пользуется, тоже ходят в интернет: поиск по документации обращается к облачным моделям векторизации текста, проверка контрагентов — к внешним сервисам вроде Контур.Фокуса и так далее. Агент обновляется из GitLab, CI/CD развозит изменения по стендам автоматически, мониторинг стекается в один дашборд. Нас это устраивало. Недавно заказчик из промышленного сектора обратился к нам с задачей: «У нас закрытый контур, интернета нет и доступа к облачным API — тоже. Единственное, что у нас есть — это сервер с локальной моделью и наша внутренняя инфраструктура. Хотим такого же ассистента, как у вас». В статье рассказываем, как мы с этим справились. Спойлер: не без приключений.

https://habr.com/ru/companies/1forma/articles/1040438/

#ai #llm #enterprise #ai_agent #bpm #автоматизация #автоматизация_процессов #onpremise #lowcode

Почему российские компании остаются на серой Jira

Джира в России осталась, но в очень нелегальном состоянии. 4 года назад Атлассиан ушёл из РФ, а 30 марта закрыли продажи on-premise версий для дата-центров. В 2029 году снимаются с поддержки все локальные версии. При этом 70% компаний всё ещё сидят на неподдерживаемых версиях Jira, Confluence и Trello. Это не малый бизнес, который не захотел успел разобраться, а гиганты с выручкой от 2 млрд рублей. Люди, которые управляют этими компаниями, прекрасно понимают ситуацию. И всё равно не уходят. Потому что это годами настроенные рабочие процессы, тысячи задач в системе и команды, которые не хотят переучиваться. Больше половины бизнесов оценивают срок миграции в 1—2 года. С таким горизонтом легче решить, что «всё равно пока не горит». А уже горит. С 15 февраля 2024 Jira Server перестала поддерживаться — больше никаких апдейтов безопасности. Если вы пускаете снаружи людей без дополнительной прослойки типа корпоративного тоннеля или NGFW — остаётся спорить, создаёт ли Джира дыру в системе или ей является. Крякнутые версии тоже под вопросом относительно бэкдоров. Atlassian Marketplace заблокирован для РФ — плагины и интеграции с другим софтом отваливаются все эти годы. Для госкомпаний, компаний с госучастием, субъектов КИИ (Критическая информационная инфраструктура) и банков законодательно были чёткие сроки перехода на отечественное ПО. Jira прямо нарушает директивы ФСТЭК, Минцифры и указы Президента РФ. Есть сложности с аудитами и проверками — если планируется сделка или сертификация, проверку получится пройти только с серьёзными замечаниями. Админов по Джире всё меньше, а поддержка по мере разваливания стека всё нужнее.

https://habr.com/ru/companies/kaiten/articles/1038166/

#Atlassian #Jira #Confluence #Agile #миграция_данных #тасктрекеры #корпоративное_ПО #импорт_задач #автоматизация_процессов

Почему российские компании остаются на серой Jira

Джира в России осталась, но в очень нелегальном состоянии. 4 года назад Атлассиан ушёл из РФ, а 30 марта закрыли продажи on-premise версий для дата-центров. В 2029 году снимаются с поддержки все локальные версии. При этом 70% компаний всё ещё сидят на неподдерживаемых версиях Jira, Confluence и Trello. Это не малый бизнес, который не захотел успел разобраться, а гиганты с выручкой от 2 млрд рублей. Люди, которые управляют этими компаниями, прекрасно понимают ситуацию. И всё равно не уходят. Потому что это годами настроенные рабочие процессы, тысячи задач в системе и команды, которые не хотят переучиваться. Больше половины бизнесов оценивают срок миграции в 1—2 года. С таким горизонтом легче решить, что «всё равно пока не горит». А уже горит. С 15 февраля 2024 Jira Server перестала поддерживаться — больше никаких апдейтов безопасности. Если вы пускаете снаружи людей без дополнительной прослойки типа корпоративного тоннеля или NGFW — остаётся спорить, создаёт ли Джира дыру в системе или ей является. Крякнутые версии тоже под вопросом относительно бэкдоров. Atlassian Marketplace заблокирован для РФ — плагины и интеграции с другим софтом отваливаются все эти годы. Для госкомпаний, компаний с госучастием, субъектов КИИ (Критическая информационная инфраструктура) и банков законодательно были чёткие сроки перехода на отечественное ПО. Jira прямо нарушает директивы ФСТЭК, Минцифры и указы Президента РФ. Есть сложности с аудитами и проверками — если планируется сделка или сертификация, проверку получится пройти только с серьёзными замечаниями. Админов по Джире всё меньше, а поддержка по мере разваливания стека всё нужнее.

https://habr.com/ru/companies/kaiten/articles/1038166/

#Atlassian #Jira #Confluence #Agile #миграция_данных #тасктрекеры #корпоративное_ПО #импорт_задач #автоматизация_процессов

Почему российские компании остаются на серой Jira

Джира в России осталась, но в очень нелегальном состоянии. 4 года назад Атлассиан ушёл из РФ, а 30 марта закрыли продажи on-premise версий для дата-центров. В 2029 году снимаются с поддержки все локальные версии. При этом 70% компаний всё ещё сидят на неподдерживаемых версиях Jira, Confluence и Trello. Это не малый бизнес, который не захотел успел разобраться, а гиганты с выручкой от 2 млрд рублей. Люди, которые управляют этими компаниями, прекрасно понимают ситуацию. И всё равно не уходят. Потому что это годами настроенные рабочие процессы, тысячи задач в системе и команды, которые не хотят переучиваться. Больше половины бизнесов оценивают срок миграции в 1—2 года. С таким горизонтом легче решить, что «всё равно пока не горит». А уже горит. С 15 февраля 2024 Jira Server перестала поддерживаться — больше никаких апдейтов безопасности. Если вы пускаете снаружи людей без дополнительной прослойки типа корпоративного тоннеля или NGFW — остаётся спорить, создаёт ли Джира дыру в системе или ей является. Крякнутые версии тоже под вопросом относительно бэкдоров. Atlassian Marketplace заблокирован для РФ — плагины и интеграции с другим софтом отваливаются все эти годы. Для госкомпаний, компаний с госучастием, субъектов КИИ (Критическая информационная инфраструктура) и банков законодательно были чёткие сроки перехода на отечественное ПО. Jira прямо нарушает директивы ФСТЭК, Минцифры и указы Президента РФ. Есть сложности с аудитами и проверками — если планируется сделка или сертификация, проверку получится пройти только с серьёзными замечаниями. Админов по Джире всё меньше, а поддержка по мере разваливания стека всё нужнее.

https://habr.com/ru/companies/kaiten/articles/1038166/

#Atlassian #Jira #Confluence #Agile #миграция_данных #тасктрекеры #корпоративное_ПО #импорт_задач #автоматизация_процессов

Почему российские компании остаются на серой Jira

Джира в России осталась, но в очень нелегальном состоянии. 4 года назад Атлассиан ушёл из РФ, а 30 марта закрыли продажи on-premise версий для дата-центров. В 2029 году снимаются с поддержки все локальные версии. При этом 70% компаний всё ещё сидят на неподдерживаемых версиях Jira, Confluence и Trello. Это не малый бизнес, который не захотел успел разобраться, а гиганты с выручкой от 2 млрд рублей. Люди, которые управляют этими компаниями, прекрасно понимают ситуацию. И всё равно не уходят. Потому что это годами настроенные рабочие процессы, тысячи задач в системе и команды, которые не хотят переучиваться. Больше половины бизнесов оценивают срок миграции в 1—2 года. С таким горизонтом легче решить, что «всё равно пока не горит». А уже горит. С 15 февраля 2024 Jira Server перестала поддерживаться — больше никаких апдейтов безопасности. Если вы пускаете снаружи людей без дополнительной прослойки типа корпоративного тоннеля или NGFW — остаётся спорить, создаёт ли Джира дыру в системе или ей является. Крякнутые версии тоже под вопросом относительно бэкдоров. Atlassian Marketplace заблокирован для РФ — плагины и интеграции с другим софтом отваливаются все эти годы. Для госкомпаний, компаний с госучастием, субъектов КИИ (Критическая информационная инфраструктура) и банков законодательно были чёткие сроки перехода на отечественное ПО. Jira прямо нарушает директивы ФСТЭК, Минцифры и указы Президента РФ. Есть сложности с аудитами и проверками — если планируется сделка или сертификация, проверку получится пройти только с серьёзными замечаниями. Админов по Джире всё меньше, а поддержка по мере разваливания стека всё нужнее.

https://habr.com/ru/companies/kaiten/articles/1038166/

#Atlassian #Jira #Confluence #Agile #миграция_данных #тасктрекеры #корпоративное_ПО #импорт_задач #автоматизация_процессов

AI-агент для финансовых процессов: как мы научили ИИ считать числа из базе данных без галлюцинаций

ИИ-агент в «Первой Форме» работает со всеми типами бизнес-процессов: документы, регламенты, задачи, заявки, договоры. Текстовые вопросы он закрывал хорошо с самого начала. А вот финансовые — с галлюцинациями. Мы переделали подход — и теперь агент отвечает точно, с совпадением с SQL до рубля. Ниже — как именно это устроено.

https://habr.com/ru/companies/1forma/articles/1038888/

#bpm #bpmсистемы #lowcode #llm #aiагенты #финансы #автоматизация_процессов #автоматизация_расчета #enterprise

AI-агент для финансовых процессов: как мы научили ИИ считать числа из базе данных без галлюцинаций

ИИ-агент в «Первой Форме» работает со всеми типами бизнес-процессов: документы, регламенты, задачи, заявки, договоры. Текстовые вопросы он закрывал хорошо с самого начала. А вот финансовые — с галлюцинациями. Мы переделали подход — и теперь агент отвечает точно, с совпадением с SQL до рубля. Ниже — как именно это устроено.

https://habr.com/ru/companies/1forma/articles/1038888/

#bpm #bpmсистемы #lowcode #llm #aiагенты #финансы #автоматизация_процессов #автоматизация_расчета #enterprise

AI-агент для финансовых процессов: как мы научили ИИ считать числа из базе данных без галлюцинаций

ИИ-агент в «Первой Форме» работает со всеми типами бизнес-процессов: документы, регламенты, задачи, заявки, договоры. Текстовые вопросы он закрывал хорошо с самого начала. А вот финансовые — с галлюцинациями. Мы переделали подход — и теперь агент отвечает точно, с совпадением с SQL до рубля. Ниже — как именно это устроено.

https://habr.com/ru/companies/1forma/articles/1038888/

#bpm #bpmсистемы #lowcode #llm #aiагенты #финансы #автоматизация_процессов #автоматизация_расчета #enterprise

AI-агент для финансовых процессов: как мы научили ИИ считать числа из базе данных без галлюцинаций

ИИ-агент в «Первой Форме» работает со всеми типами бизнес-процессов: документы, регламенты, задачи, заявки, договоры. Текстовые вопросы он закрывал хорошо с самого начала. А вот финансовые — с галлюцинациями. Мы переделали подход — и теперь агент отвечает точно, с совпадением с SQL до рубля. Ниже — как именно это устроено.

https://habr.com/ru/companies/1forma/articles/1038888/

#bpm #bpmсистемы #lowcode #llm #aiагенты #финансы #автоматизация_процессов #автоматизация_расчета #enterprise

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037196/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037196/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037196/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037196/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037194/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037194/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037194/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы построили CRM для рассылок с нуля, чтобы вернуть контроль над персональными данными

Привет, Хабр! Меня зовут Алексей Постригайло, я старший партнер ИТ-интегратора “Энсайн”. Больше 20 лет я занимаюсь системной интеграцией и управлением проектами. Сегодня хочу поделиться историей одного проекта, который начался с, казалось бы, рутинной задачи — рассылки. Но, как это часто бывает, дьявол оказался в деталях, а именно — в персональных данных.

https://habr.com/ru/articles/1037194/

#CRM_с_нуля #персональные_данные #управление_согласиями #автоматизация_процессов #безопасность_данных #трекингпиксель #внутренняя_инфраструктура #django

Как мы строим клиентские стенды AI-ассистента: per-tenant overlay без форка кодовой базы

Когда мы начали встраивать AI-агента в BPM-платформу, перед нами встала знакомая enterprise-задача: десятки клиентов, у каждого своя онтология, словарь, роли и ограничения безопасности. В одной компании «заявка на покупку» — это «реестр заявок», в другой — «карточкой закупки». Один клиент работает на изолированном контуре с локальной моделью, другой не даёт ассистенту доступ к почте и репозиториям. Традиционный ответ — форк репозитория под каждого клиента — при масштабировании превращается в ад поддержки: багфиксы не попадают автоматически, стоимость растёт экспоненциально, качество падает. Мы решили эту проблему иначе: per-tenant overlay позволяет кастомизировать поведение агента без изменения кода.

https://habr.com/ru/companies/1forma/articles/1036934/

#bpm #bpmсистемы #enterprise #enterprise_architect #lowcode #автоматизация #автоматизация_процессов #оптимизация

Как мы строим клиентские стенды AI-ассистента: per-tenant overlay без форка кодовой базы

Когда мы начали встраивать AI-агента в BPM-платформу, перед нами встала знакомая enterprise-задача: десятки клиентов, у каждого своя онтология, словарь, роли и ограничения безопасности. В одной компании «заявка на покупку» — это «реестр заявок», в другой — «карточкой закупки». Один клиент работает на изолированном контуре с локальной моделью, другой не даёт ассистенту доступ к почте и репозиториям. Традиционный ответ — форк репозитория под каждого клиента — при масштабировании превращается в ад поддержки: багфиксы не попадают автоматически, стоимость растёт экспоненциально, качество падает. Мы решили эту проблему иначе: per-tenant overlay позволяет кастомизировать поведение агента без изменения кода.

https://habr.com/ru/companies/1forma/articles/1036934/

#bpm #bpmсистемы #enterprise #enterprise_architect #lowcode #автоматизация #автоматизация_процессов #оптимизация

Как мы строим клиентские стенды AI-ассистента: per-tenant overlay без форка кодовой базы

Когда мы начали встраивать AI-агента в BPM-платформу, перед нами встала знакомая enterprise-задача: десятки клиентов, у каждого своя онтология, словарь, роли и ограничения безопасности. В одной компании «заявка на покупку» — это «реестр заявок», в другой — «карточкой закупки». Один клиент работает на изолированном контуре с локальной моделью, другой не даёт ассистенту доступ к почте и репозиториям. Традиционный ответ — форк репозитория под каждого клиента — при масштабировании превращается в ад поддержки: багфиксы не попадают автоматически, стоимость растёт экспоненциально, качество падает. Мы решили эту проблему иначе: per-tenant overlay позволяет кастомизировать поведение агента без изменения кода.

https://habr.com/ru/companies/1forma/articles/1036934/

#bpm #bpmсистемы #enterprise #enterprise_architect #lowcode #автоматизация #автоматизация_процессов #оптимизация

Как мы строим клиентские стенды AI-ассистента: per-tenant overlay без форка кодовой базы

Когда мы начали встраивать AI-агента в BPM-платформу, перед нами встала знакомая enterprise-задача: десятки клиентов, у каждого своя онтология, словарь, роли и ограничения безопасности. В одной компании «заявка на покупку» — это «реестр заявок», в другой — «карточкой закупки». Один клиент работает на изолированном контуре с локальной моделью, другой не даёт ассистенту доступ к почте и репозиториям. Традиционный ответ — форк репозитория под каждого клиента — при масштабировании превращается в ад поддержки: багфиксы не попадают автоматически, стоимость растёт экспоненциально, качество падает. Мы решили эту проблему иначе: per-tenant overlay позволяет кастомизировать поведение агента без изменения кода.

https://habr.com/ru/companies/1forma/articles/1036934/

#bpm #bpmсистемы #enterprise #enterprise_architect #lowcode #автоматизация #автоматизация_процессов #оптимизация

Внедрение ИИ‑агента в бизнес‑процесс за один день: от развертывания до прототипа

Когда руководитель просит «внедрить ИИ в бизнес‑процесс», обычно за этим стоит неприятная реальность: бюджета нет, данные нельзя отдавать в облако, разработчиков под рукой тоже нет, а показать результат нужно почти сразу. В этой статье — практический маршрут, как за один рабочий день собрать локальный прототип ИИ‑агента на Ollama и n8n: развернуть модель, связать её с автоматизацией, написать рабочие промпты и при необходимости подключить RAG по внутренней базе знаний. Читать гайд

https://habr.com/ru/companies/otus/articles/1033114/

#ИИагент #локальная_LLM #Ollama #n8n #автоматизация_процессов #RAG #промптинжиниринг #бизнеспроцессы #локальная_модель #прототипирование

Внедрение ИИ‑агента в бизнес‑процесс за один день: от развертывания до прототипа

Когда руководитель просит «внедрить ИИ в бизнес‑процесс», обычно за этим стоит неприятная реальность: бюджета нет, данные нельзя отдавать в облако, разработчиков под рукой тоже нет, а показать результат нужно почти сразу. В этой статье — практический маршрут, как за один рабочий день собрать локальный прототип ИИ‑агента на Ollama и n8n: развернуть модель, связать её с автоматизацией, написать рабочие промпты и при необходимости подключить RAG по внутренней базе знаний. Читать гайд

https://habr.com/ru/companies/otus/articles/1033114/

#ИИагент #локальная_LLM #Ollama #n8n #автоматизация_процессов #RAG #промптинжиниринг #бизнеспроцессы #локальная_модель #прототипирование

Внедрение ИИ‑агента в бизнес‑процесс за один день: от развертывания до прототипа

Когда руководитель просит «внедрить ИИ в бизнес‑процесс», обычно за этим стоит неприятная реальность: бюджета нет, данные нельзя отдавать в облако, разработчиков под рукой тоже нет, а показать результат нужно почти сразу. В этой статье — практический маршрут, как за один рабочий день собрать локальный прототип ИИ‑агента на Ollama и n8n: развернуть модель, связать её с автоматизацией, написать рабочие промпты и при необходимости подключить RAG по внутренней базе знаний. Читать гайд

https://habr.com/ru/companies/otus/articles/1033114/

#ИИагент #локальная_LLM #Ollama #n8n #автоматизация_процессов #RAG #промптинжиниринг #бизнеспроцессы #локальная_модель #прототипирование

Внедрение ИИ‑агента в бизнес‑процесс за один день: от развертывания до прототипа

Когда руководитель просит «внедрить ИИ в бизнес‑процесс», обычно за этим стоит неприятная реальность: бюджета нет, данные нельзя отдавать в облако, разработчиков под рукой тоже нет, а показать результат нужно почти сразу. В этой статье — практический маршрут, как за один рабочий день собрать локальный прототип ИИ‑агента на Ollama и n8n: развернуть модель, связать её с автоматизацией, написать рабочие промпты и при необходимости подключить RAG по внутренней базе знаний. Читать гайд

https://habr.com/ru/companies/otus/articles/1033114/

#ИИагент #локальная_LLM #Ollama #n8n #автоматизация_процессов #RAG #промптинжиниринг #бизнеспроцессы #локальная_модель #прототипирование

Как посчитать TCO автоматизации: подход Organization as Code

Вы знаете, сколько стоит сервер. У вас есть договор с хостинг-провайдером, инвойс от вендора, строка в ИТ-бюджете. А вот сколько стоят процесс согласования договора с клиентом, сопровождение в месяц, один цикл согласования заявки на закупку и другие процессы — сходу ответить сложно. Большинство компаний на эти вопросы отвечают приблизительно. В лучшем случае — оценкой в Excel, где кто-то умножил количество сотрудников на среднюю зарплату и поделил на число проектов. В худшем — интуитивным ощущением руководителя, которое потом попадает в презентацию для инвесторов как «мы оптимизировали операционные расходы на 15%». Проблема не в том, что никто не пытался посчитать, а в том, что получившаяся цифра не имеет отношения к реальности. McKinsey в исследовании Global Survey on AI фиксирует типичную ситуацию: около 60% организаций не видят EBIT-импакта от AI-проектов не потому, что технология не работает, а потому что никто не договорился, как именно измерять результат. Нет так называемого evidence pack — пакета подтверждённых данных, на который можно опереться при принятии решений. Без него пилот выглядит успешным на демо, но при масштабировании выясняется, что атрибуция была некорректной, а стоимость посчитана по-разному на разных этапах. Это касается не только AI. Любой проект автоматизации страдает от той же проблемы: вы запускаете систему, тратите бюджет, получаете отчёт о выполнении — и не можете сказать, сколько всё это стоило в пересчёте на единицу работы, сравнить два процесса по стоимости владения или оценить, окупилась ли автоматизация. Вы управляете процессом, но не знаете его реальную цену.

https://habr.com/ru/companies/1forma/articles/1032510/

#tco #возврат_инвестиций #автоматизация_процессов #bpmсистемы #enterprise #финансы_в_it #финансы #mckinsey #оптимизация_расходов #ресурсы

Как посчитать TCO автоматизации: подход Organization as Code

Вы знаете, сколько стоит сервер. У вас есть договор с хостинг-провайдером, инвойс от вендора, строка в ИТ-бюджете. А вот сколько стоят процесс согласования договора с клиентом, сопровождение в месяц, один цикл согласования заявки на закупку и другие процессы — сходу ответить сложно. Большинство компаний на эти вопросы отвечают приблизительно. В лучшем случае — оценкой в Excel, где кто-то умножил количество сотрудников на среднюю зарплату и поделил на число проектов. В худшем — интуитивным ощущением руководителя, которое потом попадает в презентацию для инвесторов как «мы оптимизировали операционные расходы на 15%». Проблема не в том, что никто не пытался посчитать, а в том, что получившаяся цифра не имеет отношения к реальности. McKinsey в исследовании Global Survey on AI фиксирует типичную ситуацию: около 60% организаций не видят EBIT-импакта от AI-проектов не потому, что технология не работает, а потому что никто не договорился, как именно измерять результат. Нет так называемого evidence pack — пакета подтверждённых данных, на который можно опереться при принятии решений. Без него пилот выглядит успешным на демо, но при масштабировании выясняется, что атрибуция была некорректной, а стоимость посчитана по-разному на разных этапах. Это касается не только AI. Любой проект автоматизации страдает от той же проблемы: вы запускаете систему, тратите бюджет, получаете отчёт о выполнении — и не можете сказать, сколько всё это стоило в пересчёте на единицу работы, сравнить два процесса по стоимости владения или оценить, окупилась ли автоматизация. Вы управляете процессом, но не знаете его реальную цену.

https://habr.com/ru/companies/1forma/articles/1032510/

#tco #возврат_инвестиций #автоматизация_процессов #bpmсистемы #enterprise #финансы_в_it #финансы #mckinsey #оптимизация_расходов #ресурсы

Как посчитать TCO автоматизации: подход Organization as Code

Вы знаете, сколько стоит сервер. У вас есть договор с хостинг-провайдером, инвойс от вендора, строка в ИТ-бюджете. А вот сколько стоят процесс согласования договора с клиентом, сопровождение в месяц, один цикл согласования заявки на закупку и другие процессы — сходу ответить сложно. Большинство компаний на эти вопросы отвечают приблизительно. В лучшем случае — оценкой в Excel, где кто-то умножил количество сотрудников на среднюю зарплату и поделил на число проектов. В худшем — интуитивным ощущением руководителя, которое потом попадает в презентацию для инвесторов как «мы оптимизировали операционные расходы на 15%». Проблема не в том, что никто не пытался посчитать, а в том, что получившаяся цифра не имеет отношения к реальности. McKinsey в исследовании Global Survey on AI фиксирует типичную ситуацию: около 60% организаций не видят EBIT-импакта от AI-проектов не потому, что технология не работает, а потому что никто не договорился, как именно измерять результат. Нет так называемого evidence pack — пакета подтверждённых данных, на который можно опереться при принятии решений. Без него пилот выглядит успешным на демо, но при масштабировании выясняется, что атрибуция была некорректной, а стоимость посчитана по-разному на разных этапах. Это касается не только AI. Любой проект автоматизации страдает от той же проблемы: вы запускаете систему, тратите бюджет, получаете отчёт о выполнении — и не можете сказать, сколько всё это стоило в пересчёте на единицу работы, сравнить два процесса по стоимости владения или оценить, окупилась ли автоматизация. Вы управляете процессом, но не знаете его реальную цену.

https://habr.com/ru/companies/1forma/articles/1032510/

#tco #возврат_инвестиций #автоматизация_процессов #bpmсистемы #enterprise #финансы_в_it #финансы #mckinsey #оптимизация_расходов #ресурсы

Как посчитать TCO автоматизации: подход Organization as Code

Вы знаете, сколько стоит сервер. У вас есть договор с хостинг-провайдером, инвойс от вендора, строка в ИТ-бюджете. А вот сколько стоят процесс согласования договора с клиентом, сопровождение в месяц, один цикл согласования заявки на закупку и другие процессы — сходу ответить сложно. Большинство компаний на эти вопросы отвечают приблизительно. В лучшем случае — оценкой в Excel, где кто-то умножил количество сотрудников на среднюю зарплату и поделил на число проектов. В худшем — интуитивным ощущением руководителя, которое потом попадает в презентацию для инвесторов как «мы оптимизировали операционные расходы на 15%». Проблема не в том, что никто не пытался посчитать, а в том, что получившаяся цифра не имеет отношения к реальности. McKinsey в исследовании Global Survey on AI фиксирует типичную ситуацию: около 60% организаций не видят EBIT-импакта от AI-проектов не потому, что технология не работает, а потому что никто не договорился, как именно измерять результат. Нет так называемого evidence pack — пакета подтверждённых данных, на который можно опереться при принятии решений. Без него пилот выглядит успешным на демо, но при масштабировании выясняется, что атрибуция была некорректной, а стоимость посчитана по-разному на разных этапах. Это касается не только AI. Любой проект автоматизации страдает от той же проблемы: вы запускаете систему, тратите бюджет, получаете отчёт о выполнении — и не можете сказать, сколько всё это стоило в пересчёте на единицу работы, сравнить два процесса по стоимости владения или оценить, окупилась ли автоматизация. Вы управляете процессом, но не знаете его реальную цену.

https://habr.com/ru/companies/1forma/articles/1032510/

#tco #возврат_инвестиций #автоматизация_процессов #bpmсистемы #enterprise #финансы_в_it #финансы #mckinsey #оптимизация_расходов #ресурсы

Agent Loop: почему одного вызова инструментов уже недостаточно для корпоративного AI-агента

В последние два года разговор об AI-агентах почти везде начинается одинаково. Берётся большая языковая модель, к ней подключаются инструменты — поиск, CRM, почта, база знаний, API — и дальше предполагается, что модель сможет сама выбрать нужный инструмент, вызвать его и на этом решить задачу. На демо это часто выглядит убедительно. Пользователь задаёт вопрос, модель делает один-два вызова, получает данные и формирует ответ. Кажется, что этого уже достаточно, чтобы говорить об agentic-сценариях. Но как только AI попадает не в лабораторную среду, а в реальный корпоративный контур, довольно быстро выясняется, что одного вызова инструмента по MCP недостаточно. Проблема в том, что рабочая задача почти никогда не сводится к одному вызову функции. Нужно понять намерение пользователя, решить, каких данных не хватает, выбрать следующий шаг, проверить результат предыдущего шага, при необходимости скорректировать план, не уйти в ложную ветку, не повторяться, не отвечать без источников, соблюсти ограничения безопасности и только потом собрать ответ. Иными словами, между «модель умеет вызвать инструмент» и «получился надёжный корпоративный агент» лежит отдельный инженерный слой. Меня зовут Денис Селезнёв, я генеральный директор «Первой Формы» — российской BPM-платформы для автоматизации бизнес-процессов в крупных компаниях. В этой статье я расскажу, почему tool calling сам по себе не делает ИИ корпоративным агентом, как эту проблему решает наш подход Agent Loop и как этот цикл устроен в реальной enterprise-среде.

https://habr.com/ru/companies/1forma/articles/1028594/

#ai_agent #bpms #lowcode #автоматизация_процессов #enterprise #llm #mcp #ииассистент #оптимизация_процессов #bpmсистемы

Agent Loop: почему одного вызова инструментов уже недостаточно для корпоративного AI-агента

В последние два года разговор об AI-агентах почти везде начинается одинаково. Берётся большая языковая модель, к ней подключаются инструменты — поиск, CRM, почта, база знаний, API — и дальше предполагается, что модель сможет сама выбрать нужный инструмент, вызвать его и на этом решить задачу. На демо это часто выглядит убедительно. Пользователь задаёт вопрос, модель делает один-два вызова, получает данные и формирует ответ. Кажется, что этого уже достаточно, чтобы говорить об agentic-сценариях. Но как только AI попадает не в лабораторную среду, а в реальный корпоративный контур, довольно быстро выясняется, что одного вызова инструмента по MCP недостаточно. Проблема в том, что рабочая задача почти никогда не сводится к одному вызову функции. Нужно понять намерение пользователя, решить, каких данных не хватает, выбрать следующий шаг, проверить результат предыдущего шага, при необходимости скорректировать план, не уйти в ложную ветку, не повторяться, не отвечать без источников, соблюсти ограничения безопасности и только потом собрать ответ. Иными словами, между «модель умеет вызвать инструмент» и «получился надёжный корпоративный агент» лежит отдельный инженерный слой. Меня зовут Денис Селезнёв, я генеральный директор «Первой Формы» — российской BPM-платформы для автоматизации бизнес-процессов в крупных компаниях. В этой статье я расскажу, почему tool calling сам по себе не делает ИИ корпоративным агентом, как эту проблему решает наш подход Agent Loop и как этот цикл устроен в реальной enterprise-среде.

https://habr.com/ru/companies/1forma/articles/1028594/

#ai_agent #bpms #lowcode #автоматизация_процессов #enterprise #llm #mcp #ииассистент #оптимизация_процессов #bpmсистемы

Agent Loop: почему одного вызова инструментов уже недостаточно для корпоративного AI-агента

В последние два года разговор об AI-агентах почти везде начинается одинаково. Берётся большая языковая модель, к ней подключаются инструменты — поиск, CRM, почта, база знаний, API — и дальше предполагается, что модель сможет сама выбрать нужный инструмент, вызвать его и на этом решить задачу. На демо это часто выглядит убедительно. Пользователь задаёт вопрос, модель делает один-два вызова, получает данные и формирует ответ. Кажется, что этого уже достаточно, чтобы говорить об agentic-сценариях. Но как только AI попадает не в лабораторную среду, а в реальный корпоративный контур, довольно быстро выясняется, что одного вызова инструмента по MCP недостаточно. Проблема в том, что рабочая задача почти никогда не сводится к одному вызову функции. Нужно понять намерение пользователя, решить, каких данных не хватает, выбрать следующий шаг, проверить результат предыдущего шага, при необходимости скорректировать план, не уйти в ложную ветку, не повторяться, не отвечать без источников, соблюсти ограничения безопасности и только потом собрать ответ. Иными словами, между «модель умеет вызвать инструмент» и «получился надёжный корпоративный агент» лежит отдельный инженерный слой. Меня зовут Денис Селезнёв, я генеральный директор «Первой Формы» — российской BPM-платформы для автоматизации бизнес-процессов в крупных компаниях. В этой статье я расскажу, почему tool calling сам по себе не делает ИИ корпоративным агентом, как эту проблему решает наш подход Agent Loop и как этот цикл устроен в реальной enterprise-среде.

https://habr.com/ru/companies/1forma/articles/1028594/

#ai_agent #bpms #lowcode #автоматизация_процессов #enterprise #llm #mcp #ииассистент #оптимизация_процессов #bpmсистемы

Agent Loop: почему одного вызова инструментов уже недостаточно для корпоративного AI-агента

В последние два года разговор об AI-агентах почти везде начинается одинаково. Берётся большая языковая модель, к ней подключаются инструменты — поиск, CRM, почта, база знаний, API — и дальше предполагается, что модель сможет сама выбрать нужный инструмент, вызвать его и на этом решить задачу. На демо это часто выглядит убедительно. Пользователь задаёт вопрос, модель делает один-два вызова, получает данные и формирует ответ. Кажется, что этого уже достаточно, чтобы говорить об agentic-сценариях. Но как только AI попадает не в лабораторную среду, а в реальный корпоративный контур, довольно быстро выясняется, что одного вызова инструмента по MCP недостаточно. Проблема в том, что рабочая задача почти никогда не сводится к одному вызову функции. Нужно понять намерение пользователя, решить, каких данных не хватает, выбрать следующий шаг, проверить результат предыдущего шага, при необходимости скорректировать план, не уйти в ложную ветку, не повторяться, не отвечать без источников, соблюсти ограничения безопасности и только потом собрать ответ. Иными словами, между «модель умеет вызвать инструмент» и «получился надёжный корпоративный агент» лежит отдельный инженерный слой. Меня зовут Денис Селезнёв, я генеральный директор «Первой Формы» — российской BPM-платформы для автоматизации бизнес-процессов в крупных компаниях. В этой статье я расскажу, почему tool calling сам по себе не делает ИИ корпоративным агентом, как эту проблему решает наш подход Agent Loop и как этот цикл устроен в реальной enterprise-среде.

https://habr.com/ru/companies/1forma/articles/1028594/

#ai_agent #bpms #lowcode #автоматизация_процессов #enterprise #llm #mcp #ииассистент #оптимизация_процессов #bpmсистемы

Python Executor: как мы встроили Python в автоматизации «Первой Формы», не пуская его в ядро

Автоматизация бизнес-процессов заметно изменилась за последние годы. Если раньше во многих сценариях хватало маршрутизации, правил и несложной бизнес-логики, то сейчас в процессы всё чаще встраиваются более тяжёлые вычислительные задачи, например, интеграции с внешними AI-сервисами. Иными словами, автоматизация перестаёт быть только реакцией на событие и всё чаще становится вычислительным слоем внутри самого процесса. Но для того, чтобы система выдерживала нагрузку, нужен мощный язык исполнения. В этой статье расскажем, как мы в «Первой Форме» реализовали это с помощью Python. Мы встроили его в контур платформы так, чтобы получить его сильные стороны для AI- и ресурсоёмких сценариев обработки данных, но не исполнять произвольный Python-код внутри бэкенда. Для нас это была не задача в духе «поддержать ещё один язык», мы хотели расширить платформу, не размывая границы безопасности и устойчивости ядра.

https://habr.com/ru/companies/1forma/articles/1026030/

#python #bpms #ai #автоматизация_процессов #itсистемы #lua #оптимизация

Python Executor: как мы встроили Python в автоматизации «Первой Формы», не пуская его в ядро

Автоматизация бизнес-процессов заметно изменилась за последние годы. Если раньше во многих сценариях хватало маршрутизации, правил и несложной бизнес-логики, то сейчас в процессы всё чаще встраиваются более тяжёлые вычислительные задачи, например, интеграции с внешними AI-сервисами. Иными словами, автоматизация перестаёт быть только реакцией на событие и всё чаще становится вычислительным слоем внутри самого процесса. Но для того, чтобы система выдерживала нагрузку, нужен мощный язык исполнения. В этой статье расскажем, как мы в «Первой Форме» реализовали это с помощью Python. Мы встроили его в контур платформы так, чтобы получить его сильные стороны для AI- и ресурсоёмких сценариев обработки данных, но не исполнять произвольный Python-код внутри бэкенда. Для нас это была не задача в духе «поддержать ещё один язык», мы хотели расширить платформу, не размывая границы безопасности и устойчивости ядра.

https://habr.com/ru/companies/1forma/articles/1026030/

#python #bpms #ai #автоматизация_процессов #itсистемы #lua #оптимизация

Python Executor: как мы встроили Python в автоматизации «Первой Формы», не пуская его в ядро

Автоматизация бизнес-процессов заметно изменилась за последние годы. Если раньше во многих сценариях хватало маршрутизации, правил и несложной бизнес-логики, то сейчас в процессы всё чаще встраиваются более тяжёлые вычислительные задачи, например, интеграции с внешними AI-сервисами. Иными словами, автоматизация перестаёт быть только реакцией на событие и всё чаще становится вычислительным слоем внутри самого процесса. Но для того, чтобы система выдерживала нагрузку, нужен мощный язык исполнения. В этой статье расскажем, как мы в «Первой Форме» реализовали это с помощью Python. Мы встроили его в контур платформы так, чтобы получить его сильные стороны для AI- и ресурсоёмких сценариев обработки данных, но не исполнять произвольный Python-код внутри бэкенда. Для нас это была не задача в духе «поддержать ещё один язык», мы хотели расширить платформу, не размывая границы безопасности и устойчивости ядра.

https://habr.com/ru/companies/1forma/articles/1026030/

#python #bpms #ai #автоматизация_процессов #itсистемы #lua #оптимизация

Python Executor: как мы встроили Python в автоматизации «Первой Формы», не пуская его в ядро

Автоматизация бизнес-процессов заметно изменилась за последние годы. Если раньше во многих сценариях хватало маршрутизации, правил и несложной бизнес-логики, то сейчас в процессы всё чаще встраиваются более тяжёлые вычислительные задачи, например, интеграции с внешними AI-сервисами. Иными словами, автоматизация перестаёт быть только реакцией на событие и всё чаще становится вычислительным слоем внутри самого процесса. Но для того, чтобы система выдерживала нагрузку, нужен мощный язык исполнения. В этой статье расскажем, как мы в «Первой Форме» реализовали это с помощью Python. Мы встроили его в контур платформы так, чтобы получить его сильные стороны для AI- и ресурсоёмких сценариев обработки данных, но не исполнять произвольный Python-код внутри бэкенда. Для нас это была не задача в духе «поддержать ещё один язык», мы хотели расширить платформу, не размывая границы безопасности и устойчивости ядра.

https://habr.com/ru/companies/1forma/articles/1026030/

#python #bpms #ai #автоматизация_процессов #itсистемы #lua #оптимизация

Описание данных: от Rare до Well-Done с помощью ИИ

Привет! Я — Игорь Дмитриев, Data Business Partner в Wildberries & Russ. В своей статье на Хабре я рассказываю о том, как мы в компании автоматизируем сопровождение данных, чтобы не делать работу руками. Если вы хотите, чтобы модные ИИ-агенты и LLM выдавали бизнесу реальные инсайты, а не «красивую чушь», данные нужно правильно описать = «прожарить». В этой статье я покажу, на каком уровне зрелости («прожарки») описания данных можно уже подключать LLM, и ИИ-агенты будут меньше галлюцинировать, какой уровень целевой и какой уровень точности между ними. Просим под кат за деталями.

https://habr.com/ru/companies/wildberries/articles/1019004/

#управление_данными #искусственный_интеллект #автоматизация_процессов #метаданные #бизнесглоссарий #семантический_слой #датакаталог

Описание данных: от Rare до Well-Done с помощью ИИ

Привет! Я — Игорь Дмитриев, Data Business Partner в Wildberries & Russ. В своей статье на Хабре я рассказываю о том, как мы в компании автоматизируем сопровождение данных, чтобы не делать работу руками. Если вы хотите, чтобы модные ИИ-агенты и LLM выдавали бизнесу реальные инсайты, а не «красивую чушь», данные нужно правильно описать = «прожарить». В этой статье я покажу, на каком уровне зрелости («прожарки») описания данных можно уже подключать LLM, и ИИ-агенты будут меньше галлюцинировать, какой уровень целевой и какой уровень точности между ними. Просим под кат за деталями.

https://habr.com/ru/companies/wildberries/articles/1019004/

#управление_данными #искусственный_интеллект #автоматизация_процессов #метаданные #бизнесглоссарий #семантический_слой #датакаталог

Описание данных: от Rare до Well-Done с помощью ИИ

Привет! Я — Игорь Дмитриев, Data Business Partner в Wildberries & Russ. В своей статье на Хабре я рассказываю о том, как мы в компании автоматизируем сопровождение данных, чтобы не делать работу руками. Если вы хотите, чтобы модные ИИ-агенты и LLM выдавали бизнесу реальные инсайты, а не «красивую чушь», данные нужно правильно описать = «прожарить». В этой статье я покажу, на каком уровне зрелости («прожарки») описания данных можно уже подключать LLM, и ИИ-агенты будут меньше галлюцинировать, какой уровень целевой и какой уровень точности между ними. Просим под кат за деталями.

https://habr.com/ru/companies/wildberries/articles/1019004/

#управление_данными #искусственный_интеллект #автоматизация_процессов #метаданные #бизнесглоссарий #семантический_слой #датакаталог

Описание данных: от Rare до Well-Done с помощью ИИ

Привет! Я — Игорь Дмитриев, Data Business Partner в Wildberries & Russ. В своей статье на Хабре я рассказываю о том, как мы в компании автоматизируем сопровождение данных, чтобы не делать работу руками. Если вы хотите, чтобы модные ИИ-агенты и LLM выдавали бизнесу реальные инсайты, а не «красивую чушь», данные нужно правильно описать = «прожарить». В этой статье я покажу, на каком уровне зрелости («прожарки») описания данных можно уже подключать LLM, и ИИ-агенты будут меньше галлюцинировать, какой уровень целевой и какой уровень точности между ними. Просим под кат за деталями.

https://habr.com/ru/companies/wildberries/articles/1019004/

#управление_данными #искусственный_интеллект #автоматизация_процессов #метаданные #бизнесглоссарий #семантический_слой #датакаталог

Jira, гудбай: вендор отвечает на неудобные вопросы интегратора

Сможет ли российский продукт стать полноценной заменой Jira для команд разработки? Обсуждают команды SimpleOne и iiii-tech. Узнать

https://habr.com/ru/companies/simpleone/articles/1023374/

#jira #тасктрекеры #миграция_ИТсистем #автоматизация_процессов #SDLC #управление_задачами #DevOps #российское_ПО

Jira, гудбай: вендор отвечает на неудобные вопросы интегратора

Сможет ли российский продукт стать полноценной заменой Jira для команд разработки? Обсуждают команды SimpleOne и iiii-tech. Узнать

https://habr.com/ru/companies/simpleone/articles/1023374/

#jira #тасктрекеры #миграция_ИТсистем #автоматизация_процессов #SDLC #управление_задачами #DevOps #российское_ПО

Jira, гудбай: вендор отвечает на неудобные вопросы интегратора

Сможет ли российский продукт стать полноценной заменой Jira для команд разработки? Обсуждают команды SimpleOne и iiii-tech. Узнать

https://habr.com/ru/companies/simpleone/articles/1023374/

#jira #тасктрекеры #миграция_ИТсистем #автоматизация_процессов #SDLC #управление_задачами #DevOps #российское_ПО

Jira, гудбай: вендор отвечает на неудобные вопросы интегратора

Сможет ли российский продукт стать полноценной заменой Jira для команд разработки? Обсуждают команды SimpleOne и iiii-tech. Узнать

https://habr.com/ru/companies/simpleone/articles/1023374/

#jira #тасктрекеры #миграция_ИТсистем #автоматизация_процессов #SDLC #управление_задачами #DevOps #российское_ПО

Как мы извлекали модель подразделения из живой конфигурации и находили расхождения с регламентом

Когда в компании говорят о модели подразделения, обычно имеют в виду что-то вполне привычное: положение об отделе, регламент, SLA, список ролей и зон ответственности. Формально этого достаточно: подразделение описано, обязанности зафиксированы, сроки обозначены. Но как только возникает практический вопрос — а как это подразделение на самом деле работает изо дня в день, по каким правилам движутся задачи, где реально проверяются сроки, какие данные обязательны на входе и что система делает без участия человека, — быстро выясняется, что документов недостаточно. Если в компании внедрено ПО для автоматизации, значимая часть настоящей модели подразделения живёт в конфигурации системы: в состояниях, переходах, правах, обязательных полях, автоматизациях, событиях и скрытых технических правилах. Если смотреть только в документы, получится аккуратная управленческая картина. Если смотреть только в конфигурацию, можно увидеть механику, но потерять смысл. Реальное устройство подразделения возникает только на пересечении этих двух слоёв. В ежедневной рабочей рутине это не проявляется, но если у отдела меняется руководитель, процессы нужно масштабировать на новый филиал или к работе подключается подрядчик, разрыв становится проблемой, и решить её быстро не всегда получается. Меня зовут Денис Селезнёв, я генеральный директор компании «Первая Форма». Мы занимаемся автоматизацией бизнес-процессов уже более 20 лет. В последнее время мы активно развиваем новый подход к оцифровке бизнесов — Организация как код, о нём я рассказывал вот в этой статье. В рамках OaC мы решили взять живую конфигурацию, извлечь из неё формальную модель подразделения и сравнить её с тем, что написано в регламенте. Эта статья — о том, что получилось.

https://habr.com/ru/companies/1forma/articles/1023170/

#bpms #yaml #автоматизация #автоматизация_процессов #корпоративные_системы #lowcode #первая_форма #aiагенты #ai #корпоративные_процессы

Как мы извлекали модель подразделения из живой конфигурации и находили расхождения с регламентом

Когда в компании говорят о модели подразделения, обычно имеют в виду что-то вполне привычное: положение об отделе, регламент, SLA, список ролей и зон ответственности. Формально этого достаточно: подразделение описано, обязанности зафиксированы, сроки обозначены. Но как только возникает практический вопрос — а как это подразделение на самом деле работает изо дня в день, по каким правилам движутся задачи, где реально проверяются сроки, какие данные обязательны на входе и что система делает без участия человека, — быстро выясняется, что документов недостаточно. Если в компании внедрено ПО для автоматизации, значимая часть настоящей модели подразделения живёт в конфигурации системы: в состояниях, переходах, правах, обязательных полях, автоматизациях, событиях и скрытых технических правилах. Если смотреть только в документы, получится аккуратная управленческая картина. Если смотреть только в конфигурацию, можно увидеть механику, но потерять смысл. Реальное устройство подразделения возникает только на пересечении этих двух слоёв. В ежедневной рабочей рутине это не проявляется, но если у отдела меняется руководитель, процессы нужно масштабировать на новый филиал или к работе подключается подрядчик, разрыв становится проблемой, и решить её быстро не всегда получается. Меня зовут Денис Селезнёв, я генеральный директор компании «Первая Форма». Мы занимаемся автоматизацией бизнес-процессов уже более 20 лет. В последнее время мы активно развиваем новый подход к оцифровке бизнесов — Организация как код, о нём я рассказывал вот в этой статье. В рамках OaC мы решили взять живую конфигурацию, извлечь из неё формальную модель подразделения и сравнить её с тем, что написано в регламенте. Эта статья — о том, что получилось.

https://habr.com/ru/companies/1forma/articles/1023170/

#bpms #yaml #автоматизация #автоматизация_процессов #корпоративные_системы #lowcode #первая_форма #aiагенты #ai #корпоративные_процессы