Собственная разработка Рексофт на базе LLM — интеллектуальная система подбора персонала на проект. Она анализирует не только навыки и опыт кандидатов, но и их потенциал развития и психологическую совместимость. Другой интересный кейс – проект по автоматизации анализа тендерной документации. В Рексофт создали систему, которая не просто извлекает текст из PDF, DOCX и писем, а понимает его в бизнес-контексте. Об ИИ в бизнесе без иллюзий и о том, что реально умеют языковые модели сегодня, рассказывает руководитель центра компетенций по искусственному интеллекту Рексофт Юрий Воеводко.
— Юрий, какие новые возможности приносят большие языковые модели (LLM) в прикладных решениях для бизнеса?
— Большие языковые модели (LLM), такие как GPT, серьезно меняют взаимодействие человека с информацией. Они автоматизируют рутинные задачи: от генерации текстов до анализа данных, экономя время и ресурсы. В образовании LLM персонализируют обучение, адаптируя материалы под уровень ученика. В науке ускоряют исследования, обрабатывая гигабайты статей за секунды. Медики используют их для диагностики, сопоставляя симптомы с базами знаний. Бизнес внедряет LLM для клиентской поддержки и прогнозирования трендов. LLM-технологии особенно ценны для решения задачи с «чистого листа», например, когда нужно с нуля разработать концепцию текста или создать структуру мероприятия. Они способны генерировать новый осмысленный контент, выходя за рамки информации, полученной моделью при обучении.
Однако важно сохранять баланс: технологии дополняют, но не заменяют критическое мышление. Этические вопросы — от авторства до приватности — требуют регулирования. При этом важно понимать, что для корпоративного применения недостаточно просто взять публичный ИИ-сервис типа Яндекс, OpenAI или DeepSeek. Реальные бизнес-задачи требуют интеграции LLM с внутренними данными компании через технологию RAG (Retrieval Augmented Generation), которая выступает «интеллектуальным фильтром» и позволяет моделям работать в контексте конкретной организации. Отмечу, что западные модели пока сильнее российских аналогов, но их прямое использование часто невозможно из-за регуляторных ограничений. Практическое решение – применение специализированных корпоративных платформ, которые выступают своего рода «прослойкой», обеспечивая доступ к передовым ИИ-технологиям при полном соблюдении требований к безопасности и конфиденциальности данных. Это позволяет бизнесу получить все преимущества LLM без рисков.
— Насколько LLM повышают эффективность бизнес-процессов и позволяют их оптимизировать?
— Если говорить цифрами, я бы оценил рост производительности при внедрении LLM от 15 % до 600 % и, возможно, даже выше в зависимости от задачи. Например, сервисная компания с помощью LLM сократила штат службы поддержки с 18 до 3 человек без потери качества обслуживания. В Рексофт LLM проверяют задания менторской программы, вдвое сократив временные затраты, в создании ПО автоматизируют создание тест-кейсов, ускоряя разработку на 15 % — подобных кейсов множество. При этом нельзя забывать о риске «галлюцинаций» – когда ИИ генерирует ошибочные данные. Для их минимизации необходима точная настройка модели (включая RAG), строгие правила валидации и процесс проверки результатов. Мы прошли этот путь при создании специализированной корпоративной платформы Рексофт. В нее были встроены инструменты для калибровки и контроля качества, и мы готовы адаптировать наш опыт под задачи любой компании. Самостоятельная реализация функциональности тоже возможна, но потребует серьезных затрат на подбор и интеграцию opensource-решений, а также времени на их обучение и тестирование.
— Насколько уже применимы генеративные нейросети и LLM в клиентском обслуживании?
— Клиентский сервис стал ключевым направлением внедрения LLM-технологий в банковском секторе, авиаперевозках, телекоммуникациях, ритейле — отраслях с миллионами ежедневных обращений. Современные решения на базе генеративного ИИ кардинально превосходят традиционные системы: если обычные чат-боты часто работают по ключевым словам, не понимая суть проблемы (например, когда клиент не может снять деньги в банкомате, непонятно — проблема в карте, счете или устройстве), то LLM анализируют полный контекст запроса, историю взаимодействия с клиентом и способны персонализировать общение. Они позволяют оперативно и качественно отвечать на запросы клиентов 24/7, сокращая время обработки запроса с 7-10 минут до секунд. Хотя работающих проектов в этом направлении пока немного (например, Т-Банк), очевидно, что LLM кардинально трансформируют подходы к клиентскому сервису, сделав его более персонализированным и удобным.
Одним из перспективных направлений развития LLM являются «умные суфлеры» для операторов поддержки — например, сервис Яндекса, который анализирует запросы клиентов и мгновенно подсказывает операторам релевантные ответы из базы знаний. Однако полностью заменить человеческий сервис LLM пока не смогут — во-первых, из-за дороговизны вычислений, во-вторых, они не всегда способны проявлять эмпатию.
— Какие интересные проекты — как внутренние, так и для клиентов — были в этом направлении у вашей компании?
— В практике Рексофт есть несколько ярких проектов с применением ИИ и LLM. Начну с интеллектуальной системы подбора персонала на проект — нашей собственной разработки на базе LLM. Она анализирует не только навыки и опыт кандидатов, но и их потенциал развития и психологическую совместимость. Такой подход позволил сократить время подбора на 30 % и повысить качество найма на 15 %. Другой интересный кейс — проект по автоматизации анализа тендерной документации. Мы создали систему, которая не просто извлекает текст из PDF, DOCX и писем, а понимает его в бизнес-контексте. LLM выявляет ключевые параметры — условия NDA, бюджет, технические требования — даже в свободном изложении, а гибридный алгоритм дополнительно проверяет их на соответствие нормативам рентабельности компании. Результат — сокращение времени обработки с 2 часов до 30 минут при повышении качества анализа.
В проекте для крупной страховой компании мы разработали на базе LLM прототип интерфейса на раннем этапе проекта (когда был готов только бэкенд системы). Система генерировала рабочие UI-макеты с автоматической подстановкой данных через выпадающие списки, цветовой индикацией статусов и понятными наименованиями вместо технических кодов. Это позволило получить раннюю обратную связь от бизнеса до начала фронтенд-разработки. Использование LLM для визуализации сложных страховых процессов помогло выявить требования к интерфейсу на старте проекта, избежав дорогостоящих переделок на поздних этапах.
Мы также активно используем не только LLM, но и компьютерное зрение — например, в проекте с «Норникелем» разрабатываем систему автоматического контроля флотационного процесса на основе видеоаналитики. Решение анализирует состояние флотомашин в реальном времени с помощью нейросетей, выявляя отклонения в технологическом процессе и помогая операторам принимать более точные решения.
— Каким вам видится дальнейшее развитие и применение LLM?
— Одной из ключевых перспектив LLM я считаю развитие промышленного слоя генеративного ИИ, который объединит инженерные данные, эксплуатационные параметры и сервисные знания в единую интеллектуальную среду. Такие системы смогут не только генерировать PLC-код и визуализации HMI, но и предоставлять персоналу пошаговые рекомендации на естественном языке, устраняя разрыв между цифровыми «двойниками» и реальным оборудованием.
Следующим логичным этапом станет переход от анализа данных и генерации ответов к автономному принятию решений. Вместо промежуточных решений, которые лишь имитируют ручные операции, появятся комплексные системы, где LLM в сочетании с компьютерным зрением смогут напрямую управлять процессами. Это особенно актуально для таких задач, как контроль технологических процессов или автоматизация рутинных операций.
Стоит выделить особую перспективу в развитии гибридных систем «человек+ИИ», где модели ИИ будут усиливать экспертов, а не заменять их. Такой подход уже доказал свою эффективность в медицине, финансах и образовании, где LLM выступают в роли интеллектуальных ассистентов. В ближайшие годы ключевым прорывом станет повышение способности ИИ к самостоятельному контекстному обучению и адаптация к изменяющимся условиям непосредственно в процессе работы.
Источник: ICT-Online
