16.09.2025 13:51
AlekseiVB 0 143 Источник

«В крупных компаниях ИИ не продается как технология. Он продается как снижение рисков, экономия времени и помощь человеку.
Но чтобы его купили — нужно дать пользу уже на первом шаге.
Вот как мы сделали это без бюджета, без команды и с одними только идеями»

1. Введение: Не про ИИ. Про то, как заставить бизнес поверить в изменения

Привет, Хабр!

Меня зовут Алексей. Я руковожу направлением искусственного интеллекта в федеральном холдинге.
Моя задача — не «внедрить нейросеть», а сделать так, чтобы люди перестали бояться изменений.

Раньше сотрудникам требовалось 40–60 минут, чтобы создать документ выбраковки:
фото → личная почта → служебная почта → удалённый рабочий стол → внутренняя программа → согласование.

Сегодня — один Telegram-бот. Меньше 5 минут.

Но это не история про бота.
Это история про три этапа внедрения, каждый из которых приносил пользу до того, как был запущен следующий.

Я не ждал, пока «всё будет идеально».
Я сделал так, чтобы каждый этап окупался — прямо сейчас.

2. Этап 1: Каркас — «Что бы ни было дальше — мы будем работать вместе»

? Цель:

Ускорить процесс сбора данных — без ИИ, без сложностей, без согласований.
? Что сделали:

Создали простой Telegram-бот, который:

Принимал фото от сотрудника.  
Автоматически генерировал шаблон документа выбраковки (1C).  
Отправлял его на согласование через внутренний API.
 

⚠️ Технический вызов:
Никаких прямых подключений к БД-1С. Ни LDAP. Ни SSO.
Без авторизации — ничего не работало.

? Решение: Микроархитектура «администраторского моста»
python (псевдокод)

def request_access(telegram_id, user_name):
    # 1. Бот отправляет запрос админу в системе X
    send_to_admin_system(
        target="admin@company",
        message=f"Пользователь {user_name} (@{telegram_id}) просит доступ к боту."
    )
    # 2. Админ вручную нажимает "Разрешить" в своей системе
    # 3. Система генерирует временный токен и записывает его в наш сервис
    token = generate_temp_token(user_id_from_db1c)
    store_token(telegram_id, token)
    return "✅ Доступ выдан. Теперь вы можете загружать фото."

✅ Результат:
Время на операцию: 60 мин → 7 мин
Пользователи начали использовать бота — даже без ИИ
Мы получили первые данные: какие фото загружают, где ошибки, какие поля заполняют неверно

? Это был не MVP. Это был каркас.
Мы не обещали «автоматизацию». Мы обещали — «будет проще».
И это сработало.

3. Этап 2: Поддержка решения — «Мы не заменяем эксперта. Мы делаем его умнее»

? Цель:

Облегчить работу контролирующих специалистов — тех, кто принимает решение: «Принять» / «Отказать» / «Требуется проверка»

? Проблема:

Нам нужно было обучить ИИ распознавать паттерны отказов.
Но собрать 2000+ качественных фото на каждую проблему — оказалось невозможно. Качество не позволяло делать из этого датасет.
Фотографии были размытыми, с плохим освещением, с руками в кадре.

? Решение: Автоэнкодеры для “идеальных примеров”

Мы не пытались научить ИИ «видеть дефекты».
Мы научили его видеть, что не является идеальным.

python (псевдокод)

# Архитектура автоэнкодера (PyTorch)
class DefectDetector(nn.Module):
    def __init__(self):
        super().__init__()
        self.encoder = nn.Sequential(
            nn.Conv2d(3, 16, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(16, 8, 3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        self.decoder = nn.Sequential(
            nn.ConvTranspose2d(8, 16, 2, stride=2),
            nn.ReLU(),
            nn.ConvTranspose2d(16, 3, 2, stride=2),
            nn.Sigmoid()
        )

    def forward(self, x):
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        return decoded

# Обучение: сравниваем входное фото с восстановленным
loss = nn.MSELoss()(decoded_image, original_image)

Как это работает:

Мы собрали 3000 идеальных фотографий — без дефектов, с правильным освещением, углом, фокусом (именно в этом и была вся фишка, что необходимо сделать фотографии таким образом, чтобы сымитировать то, что происходит на местах, но с хорошими деталями...). 
Обучили автоэнкодер восстанавливать именно эти «идеалы».  
Когда приходит новое фото — он пытается его «перестроить».  
Если ошибка реконструкции > порога — система говорит:

«Это фото отличается от идеала. Рекомендуется проверить вручную»

✅ Результат:

Снижение нагрузки на экспертов: на 50%  
Документы, требующие ручной проверки — снизились с 90% до 40%  
Эксперты начали говорить: «Бот показывает те же моменты, на которые я смотрю»
 
? Это был этап усиления, а не замены.
Мы не искали «идеальный ИИ». Мы искали партнера для человека.

4. Этап 3: Интеллект — «Теперь система не просто говорит “что”, но и “почему”»

? Цель:

Перейти от контроля к предиктивному анализу — помочь эксперту не только принять решение, но и понять, какое решение выбрать.
? Что добавили:

Классификатор изделий (на основе YOLOv11)  
    Определяет: это тормозная колодка, это шайба, это корпус насоса
     
Правила бизнес-логики  
    Если изделие — тормозная колодка, и есть трещина — → списание  
    Если изделие — шайба, и есть царапина — → восстановление
     
Подсказки для эксперта  

    «Обнаружено изделие: Тормозная колодка (вероятность 94%).
    По правилу №12: наличие трещины → обязательное списание.
    Рекомендация: подтвердите или перефотографируйте»

? Пример логики:

python (псевдокод)

if detected_item == "BrakePad" and defect_type == "Crack":
    recommendation = "Списание"
    reason = "Согласно регламенту R-12, трещина на тормозной колодке — критический дефект"
elif detected_item == "Washer" and defect_type == "Scratch":
    recommendation = "Восстановление"
    reason = "Царапина не влияет на герметичность — допустима"

✅ Результат:

Снижение ошибок в классификации: с 22% до 3%  
Сокращение времени на принятие решения: с 8 минут до 1,5 минут  
Эксперты стали просить бота перед тем, как открыть документ
 

? Это был этап доверия.
Когда система начинает объяснять — она перестаёт быть инструментом.
Она становится коллегой.

5. Почему это работает: Стратегия «Этапы пользы»

1. Каркас

Ускорить сбор данных

Telegram + API + ручная авторизация
✅ Да — время с 60 мин → 7 мин

2. Поддержка

Уменьшить нагрузку на экспертов

Autoencoder + пороговое сравнение
✅ Да — 50% меньше ручных проверок

3. Интеллект

Дать рекомендации

YOLO + правила бизнес-логики
✅ Да — 85% решений принимаются за 2 минуты

? Мы не ждали, пока всё будет готово.
? Мы не просили бюджет на «полный ИИ».
? Мы не говорили: «Ждите, скоро будет чудо».
? Мы говорили: «Сейчас — проще. Через месяц — точнее. Через два — умнее».

Это — стратегическое мышление в условиях ограниченных ресурсов.

6. Заключение: Большие проекты — это маленькие шаги, которые никто не делает

Я не делал «крутой ИИ».

Я сделал систему, которая не давала людям уйти обратно к старым процессам.

Первый этап — показал простоту.
Второй — показал надёжность.
Третий — показал интеллект.

Именно поэтому этот проект стал основой для всей команды ИИ в компании.

 Потому что мы доказали:   
Не нужна большая команда. Не нужен большой бюджет.
Нужно — понимание, как сделать так, чтобы каждый шаг приносил пользу.

Если вы тоже работаете в корпорации, где «это невозможно», где «нет бюджета», где «это не наша задача» — начните с каркаса.
Сделайте так, чтобы сегодня стало легче.
И завтра — уже сами будут просить: «А теперь ты сможешь…?»

Комментарии (0)