Коротко. Между «мы попробовали нейросеть, получилось интересно» и «это работает в компании каждый день» лежит примерно вся сложность. Демонстрация делается за неделю, эксплуатация — за квартал, и стоимость смещается с модели на данные, проверку качества и ответственность за ошибку. Маршрут проходит этот путь по порядку.
Зачем это бизнесу
Вопрос не в том, умеет ли модель. Вопрос в том, кто отвечает, когда она ошиблась, и во сколько обходится одна ошибка. Пока на это нет ответа, любое внедрение остаётся демонстрацией — независимо от качества модели.
Практическая проверка идеи: назовите процесс, посчитайте, сколько человеко-часов он съедает в месяц, и определите цену ошибки. Если ошибка дешевле проверки — задача для автоматизации. Если дороже — нужен человек в контуре, и экономика меняется полностью.
Маршрут
| Ступень | Что читаем | Что забираем | Срок |
|---|---|---|---|
| 1. Что модель умеет и чего нет | «Генеративный искусственный интеллект», «Машинное обучение без лишних слов» | Словарь для разговора с подрядчиком и понимание границ | 2 недели |
| 2. Работа с текстом | «Обработка естественного языка в действии» | Как устроены поиск, классификация и извлечение фактов из документов | 3 недели |
| 3. Ответы по своим данным | «Поиск на основе искусственного интеллекта» | Логика поиска с генерацией ответа — основной рабочий сценарий в компаниях | 3 недели |
| 4. Агенты и инструменты | «Агентный искусственный интеллект», «Агенты искусственного интеллекта» | Где агент даёт выигрыш, а где добавляет непредсказуемость | 3 недели |
| 5. Своя модель | «Машинное обучение с PyTorch и Scikit-Learn», «Обучение с малым количеством данных» | Когда обучение оправдано и сколько для этого нужно размеченных примеров | 6 недель |
| 6. Основание | «Базовая математика для искусственного интеллекта», «Введение в статистическое обучение» | Умение читать метрики качества и не верить одной цифре точности | по мере надобности |
Семь выводов — своими словами
- Восемьдесят процентов работы — данные, а не модель. Разбор документов, чистка, разметка и права доступа занимают больше, чем всё остальное вместе.
- Поиск по своим данным побеждает дообучение. Для подавляющего большинства задач компании выгоднее научить систему находить нужный кусок в своих документах, чем перестраивать модель.
- Качество измеряется на своём наборе задач. Публичные рейтинги моделей почти не предсказывают результат на ваших документах; нужен собственный набор из полусотни реальных вопросов с эталонными ответами.
- Агент — это система, а не подсказка. Как только модель получает право совершать действия, появляются вопросы прав доступа, повторов, отката и журнала — то есть обычная инженерия.
- Человек в контуре не временная мера. В задачах с дорогой ошибкой проверка остаётся навсегда, и считать экономику надо вместе с ней.
- Стоимость смещается в эксплуатацию. Прототип почти бесплатен, а счёт за постоянную работу зависит от объёма обращений и растёт вместе с успехом внедрения.
- Ограничители нужны с первого дня. Правила о том, что система не отвечает и куда не ходит, дописать позже дороже, чем заложить сразу.
Что это значит в деньгах
| Сценарий | Где выигрыш | Где ловушка |
|---|---|---|
| Ответы по внутренней базе знаний | Сокращение времени поиска и нагрузки на экспертов | Разрозненные документы и неактуальные версии |
| Разбор входящих документов | Меньше ручного ввода, быстрее цикл | Цена ошибки в реквизитах и суммах |
| Черновики писем и предложений | Быстрый первый вариант | Единый безликий тон, который клиенты распознают |
| Поддержка первой линии | Снятие типовых обращений | Ухудшение опыта на нетиповых, если нет быстрого перехода к человеку |
Красные флаги
- Подрядчик показывает демонстрацию, но не показывает набор проверочных задач и результаты на нём.
- В смете нет строки на подготовку и разметку данных.
- Не обсуждается, что происходит при неправильном ответе и кто это заметит.
- Обещание «обучим модель на ваших данных» без вопроса, сколько у вас размеченных примеров.
- Нет расчёта стоимости эксплуатации при росте числа обращений в десять раз.
Что устаревает быстрее всего
Названия моделей, цены и конкретные библиотеки в этих книгах устаревают за год. Не устаревают три вещи: как измерять качество, как готовить данные и как встраивать проверку. Читать стоит именно ради них, а не ради примеров кода.
Частые вопросы
Связанное
- RAG — поиск по своим данным с генерацией ответа
- Паттерны агентов
- Оценка качества модели
- Ограничители
- LLMOps
Книги названы как источники. KZSalesHub не распространяет файлы изданий.
Начинайте с одной задачи, где есть повторяемость и измеримый результат. Общая программа «внедрить ИИ» без конкретной задачи не даёт ничего, кроме подписок.