1. Готовая модель и точная постановка
Берём модель, которая уже умеет читать, писать или распознавать, формулируем задачу, показываем примеры и записываем формат ответа. Для части задач этого достаточно.
Внедрение нейросетей в бизнес начинается с вопроса «какая именно нейросеть для какой операции»: язык, изображения, речь и прогноз по таблицам — это разные модели с разными данными и разными рисками. Подбираем тип под задачу, проверяем на вашей выборке и решаем, где запускать: в вашем контуре или через внешний интерфейс. Обучать нейросеть с нуля обычно не нужно.
Обследование — от 200 000 ₽, 2–3 неделиМодели сравниваем на вашей выборке, а не по рейтингамИсходный код и настройки в вашем репозитории
Коротко: «нейросеть» — общее слово. Под ним скрыты модели, которые читают и пишут текст, распознают изображения, переводят речь в текст и считают прогноз по таблицам.
Внедрение нейросетей в бизнес идёт по-разному для разных семейств, потому что они ошибаются по-разному, требуют разных данных и по-разному запускаются. Поэтому задача «внедрить нейросеть» без уточнения, что у неё на входе и что на выходе, не решается.
Карта всех семейств и страниц по ним собрана на странице «ИИ для бизнеса». Здесь разбираем другое: как подобрать нейросеть под вашу операцию, на чём её проверять и где запускать.
Семь типовых задач как заготовка для разбора вашей. Подробнее про языковые модели: разработка приложений на языковых моделях; про звонки: речевая аналитика.
Обучение с нуля требует данных и вычислений, которых у типичной бизнес-задачи нет. Мы идём сверху вниз и останавливаемся на первом способе, который проходит порог на вашей выборке. Выбор между поиском и дообучением разобран в статье «RAG или дообучение LLM».
Берём модель, которая уже умеет читать, писать или распознавать, формулируем задачу, показываем примеры и записываем формат ответа. Для части задач этого достаточно.
Если модели не хватает знаний о компании, ей подаются найденные фрагменты ваших документов, а ответ ссылается на источник. Это дешевле и проверяемее дообучения.
Формат ответа проверяет код, спорные случаи уходят оператору, порог уверенности отсекает сомнительное. Качество растёт без переобучения.
Если первых способов мало и есть размеченные примеры, готовая модель донастраивается на них. Для изображений это обычное дело: готовая модель не знает ваш брак.
Файл с известными полями и понятная логика решаются скриптом или интеграцией. Они предсказуемее и проще в сопровождении.
Расчёты, остатки и налоги считает обычный код. Нейросеть может подготовить данные для расчёта, но не выполнить его.
Если никто не скажет, правильно ли ответила система, измерять нечего, и сначала нужен порядок в учёте.
Простая статистика нередко не хуже нейросети. Мы проверяем её первой и берём нейросеть, только если она выигрывает на отложенном периоде.
О возможностях и условиях конкретных внешних сервисов мы судим только по документации поставщика, продукты не сравниваем и не оцениваем, а условия проверяем на старте проекта вместе с вашей службой безопасности. Критерии выбора подробнее: своя модель или внешний API и языковая модель на вашем сервере.
Схема одна: примеры берутся без отбора, часть скрыта от настройки, результат сравнивается с простым методом. Метрики зависят от типа. Подробнее: обработка документов, видеоаналитика, предиктивная аналитика.
Нашёлся ли нужный документ среди первых результатов и верен ли ответ вместе с источником. Отдельно считаем случаи, когда ответа в базе нет, а модель всё равно отвечает.
Доля верных тем по каждой теме отдельно: ошибка на редкой теме не должна теряться в общей цифре.
Доля полей без правки по каждому полю и пропущенные строки таблиц. Сумма и дата важнее комментария.
Доля ошибок в словах и отдельно в числах и названиях. Записи берутся в рабочем качестве, с шумом.
Пропуски и ложные срабатывания считаются раздельно; для камер добавляется число ложных тревог в сутки.
Ошибка на периоде, которого модель не видела, против простого прогноза «как в прошлый раз». Отдельно смотрим крупные промахи.
Условный пример без реального клиента. Клиент присылает в мессенджер фото повреждённого товара и голосовое сообщение. Обращение проходит шесть звеньев.
Пример показывает, почему «нейросеть» — не одна покупка. У каждого звена своя выборка для проверки, свой порог и свой запасной путь: если фото неразборчиво, обращение идёт оператору. Как подключать такие звенья к учёту и почте, описано на странице интеграции ИИ в бизнес-процессы.
Суммы совпадают с общей шкалой на странице тарифов. Точную цену вы получаете после обследования.
Определяем, какой тип нейросети нужен и нужен ли вообще, что с данными, где может работать модель. Записываем критерий приёмки. Вычитается из первого этапа, если продолжаете с нами.
Сравниваем задачи по данным и цене ошибки, рисуем схему обменов, выбираем первую.
Классы данных, места запуска моделей, требования к оборудованию. Конфигурацию называем до закупки.
Ассистент по базе знаний или распознавание на выборке. Сравниваем две-три модели и простой метод на одной контрольной части данных.
Несколько моделей и обычный код в одной цепочке, запись в учёт через подтверждение, очередь оператора.
Нагрузка, мониторинг качества каждого звена, обучение пользователей, передача исходников и настроек.
Контроль качества после смены данных или модели, повторный прогон эталона. Час сверх пакета стоит 5 000 ₽.
Записываем операцию, примеры без отбора, цену ошибки и класс данных. Тип нейросети выбирается после этого, а не до.
Готовим контрольную выборку и метод для сравнения: правило, поиск по словам, прогноз «как в прошлый раз».
Сравниваем модели одного типа и, если данные позволяют, внешний сервис и модель в контуре. Выбор записываем вместе с причиной.
Подключаем к учёту через проверки формата и права, настраиваем очередь оператора и ручной режим.
При смене модели или данных прогоняем эталон и сравниваем с прежним результатом.
Сравнение облачного интерфейса и модели в закрытом контуре по безопасности, стоимости и контролю.
Когда хватает поиска по документам, а когда нужна донастройка модели на ваших примерах.
Что нейросети читают в документах хорошо, где ошибаются и как проверять результат.
Это подключение конкретной модели к конкретной операции с проверкой качества на ваших данных. Начинается не с выбора модели, а с описания операции, примеров без отбора и цены ошибки: по ним выбирается тип нейросети и место запуска.
Чаще нет. Готовая модель с точной постановкой, поиском по вашим документам и проверками вокруг неё закрывает многие задачи. Донастройка на ваших примерах нужна для изображений и узких задач. Обучение с нуля почти никогда не требуется.
Для открытых и обезличенных данных иногда да. Условия берутся из документации поставщика, мы проверяем их на старте проекта вместе с вашей службой безопасности. Для данных ограниченного доступа облачные сервисы чаще не подходят по требованиям заказчика.
Распознавание текста и извлечение полей, а для фото ещё оценка качества съёмки. Какая связка подойдёт, показывает замер на ваших образцах. Точность до замера мы не называем.
Ошибки считают и встраивают в процесс: порог уверенности, очередь оператора, проверка формата кодом, ссылка на источник. Ошибку, которую заметит человек на следующем шаге, допускают. Ошибку, которая без проверки уходит клиенту или в учёт, нет.
Общего числа нет. Для поиска по документам нужны сами документы и список реальных вопросов, для изображений размеченные примеры годного и брака, для прогноза история на несколько циклов процесса. Хватает ли данных, показывает обследование.
Зависит от числа моделей в цепочке и от интеграции. Обследование стоит 200 000, 350 000 или 500 000 ₽. Лёгкий пилот одной нейросети стоит 150 000–400 000 ₽, цепочка с интеграцией 400 000–1 200 000 ₽. Вывод в эксплуатацию начинается от 1 500 000 ₽ этапами.
Мы в Ростове-на-Дону, работаем с заказчиками по всей России: удалённо и в вашем контуре. Доступ к системам и обследование согласуем на старте с вашей службой безопасности.