Разработка и интеграция ИИ
в бизнес-процессы компаний

Google Maps, что случилось?

Google показал крупнейшее обновление карт за последние… много лет. К картам подселили Gemini, и это достаточно сильно меняет то, как мы взаимодействуем с пространством.

Что нового:

Ask Maps – теперь в карты можно буквально закидывать сложные человеческие вопросы. Не «ресторан веганской кухни», а: «ко мне едут друзья, найди уютное место с веганским меню на четверых на 7 вечера, где-то посередине между нами». ИИ прочесывает 300 млн локаций и 500 млн отзывов, чтобы выдать конкретный ответ.

Иммерсивная навигация или карта в 3D. Gemini анализирует снимки Street View и спутниковые фото, чтобы отрисовать здания, развязки и даже бордюры максимально реалистично.

Человеческий голос, где место «через 200 метров поверните направо» вы услышите: «проезжай этот съезд и поворачивай на следующем, сразу за тем зданием».

Что мы думаем (и что думать вам, если у вас еще нет мнения)

Мы потихоньку переходим от интерфейса поиска (когда ты сам фильтруешь рестораны по звездам) к интерфейсу ответа. Google превращает карты в огромную семантическую базу знаний. Теперь ценность не в том, что карта знает координаты дома, а в том, что она понимает контекст: «там шумно», «там есть розетки», «там вежливый персонал».

И пока OpenAI и Anthropic сражаются в чат-ботах, Google работает там, где у него больше всего экспертизы – в своих картах. Для бизнеса это значит, что

SEO в картах скоро заменится на AEO (Answer Engine Optimization) – важно будет не просто иметь ключевые слова в профиле, а соответствовать сложным запросам пользователей.

Мы подготовили большую статью о главной боли корпоративного ИИ

От 60 до 85% ML-проектов в enterprise-сегменте никогда не доходят до продакшена. Они навсегда остаются красивыми презентациями и успешными пилотами. Интересно, что проблема почти никогда не в алгоритмах или математике.

Мы достали из нашей новой статьи 3 интересных инсайта о том, почему нейросети умирают по пути в реальный бизнес. Спойлер: дело в инженерной дисциплине.

1. Синдром «модель ради модели»
Команда три месяца чистила данные и перебирала архитектуры. На демо все хлопают: модель отлично предсказывает отток клиентов. Но никто не задал главный вопрос: а что конкретно должно произойти, когда модель выдала эту цифру? Кто принимает решение? Оператор колл-центра? CRM-система? Если модель не встроена в конкретный рабочий процесс и не меняет его – она становится просто очередным дашбордом, который все забудут через месяц.

2. Иллюзия чистых данных. Пилот на «удобных» данных, а прод – это хаос
Пилоты всегда делают на аккуратных, вычищенных вручную датасетах. Модель на них летает. А потом наступает суровый продакшен: данные приходят с задержками, 30% полей внезапно пустые, API поставщика отвалился на два дня.
Разрыв между качеством данных в пилоте и хаосом в проде убивает систему моментально. Без тестов на грязных сценариях выкатывать модель в продакшен опасно.

3. KPI модели и KPI бизнеса живут в разных мирах
Команда данных празднует: «мы улучшили метрику AUC на 2 пункта!». Финансовый директор смотрит на них и спрашивает: «и что мне с этого в рублях?».
Если рост технической метрики не переведен в понятную бизнес-ценность (конверсии, сэкономленные часы, предотвращенные потери), проект не уйдет в прод. До старта нужна честная Value Model: перевод процентов точности в живые деньги.

ML – это не модель, а инженерная система. БОльшая часть работы – это инженерная инфраструктура, интеграция с legacy-системами, безопасность и выстраивание процессов.

vc.ru
Почему пилоты умирают: 7 инженерных причин, по которым ML не доезжает до прода

Знакомая история: команда три месяца строила модель. Перебирала архитектуры, чистила данные, спорила про гиперпараметры. На демо — красивые графики, AUC на высоте, бизнес-заказчики кивают. Дальше — пилот на ограниченной выборке, одном регионе или одном продукте.…

Почему все вдруг заговорили про децентрализованный ИИ

Как сейчас развивается ИИ? Техногиганты (Google, Microsoft, Meta) строят огромные дата-центры. Счет мощностей уже идет на гигаватты, и корпорациям приходится буквально договариваться о строительстве собственных атомных электростанций.

У этой централизации два минуса: это безумно дорого и это закрытый клуб. У кого больше вычислительных мощностей – тот и впереди. Фактически это гонка ресурсов.

Решение: децентрализованный суперкомпьютер

Децентрализованный ИИ предлагает другой путь. Вычисления не обязаны жить в одном месте. То есть вместо одного огромного дата-центра – много источников вычислений, которые работают как единая система.

Долгое время крипту ругали за то, что фермы сжигают электричество впустую, решая бессмысленные криптографические задачки. Архитектура стартапа Gonka братьев Либерманов меняет правила игры. Они встроили полезную работу прямо в блокчейн: здесь «майнинг» – это и есть обучение и работа реальных нейросетей. То есть 100% вычислительной мощности уходит на полезные ИИ-задачи, результаты которых кому-то действительно нужны.

В чем главные плюсы такого подхода?
— В сеть может включиться кто угодно: от геймера с одной домашней видеокартой до владельца целого дата-центра. Вы просто сдаете свое железо в аренду и становитесь частью мирового ИИ-суперкомпьютера.
— Цифры говорят сами за себя: всего за 3 месяца после запуска сеть Gonka собрала мощность, эквивалентную 6000 топовых видеокарт Nvidia H100. И это исключительно за счет мощностей комьюнити, без единого центрального рубильника.
— Абсолютная отказоустойчивость – эту сеть невозможно выключить. Если отвалится тысяча узлов, система просто перераспределит нагрузку на другие компьютеры.

Пока это всё выглядит как ранний этап: много идей, много экспериментов и не до конца понятно, какая модель выстрелит.

Индустрии еще предстоит доказать, что децентрализованные сети могут стабильно тянуть тяжелые enterprise-задачи. Но очевидно, что рынок начинает искать альтернативу классической модели, где всё держится на гигантских дата-центрах.

Киберпанк отменяется (пока что)

Пятница, весна и наконец-то потепление! Отвлекаемся от серьезных задач и читаем веселый пост про провалы всемогущего искусственного интеллекта.

1. Taco Bell и 18 000 стаканов воды
Американская сеть фастфуда Taco Bell решила автоматизировать окна заказа для автомобилистов и поставила голосовых ИИ-кассиров. Но разработчики забыли про главное правило: пользователи обожают ломать системы.

Один из клиентов заказал 18 000 стаканов воды. ИИ, не имея защиты от таких ситуаций, попытался оформить этот заказ. Но пробить 18 тысяч стаканов алгоритм так и не смог: нейросеть запуталась, сдалась и позвала на помощь живого сотрудника. После волны таких пранков и жалоб на Reddit директор по инновациям Taco Bell честно признал: люди пока справляются с заказами гораздо лучше и быстрее машин.

2. ИИ-разработчик, который удалил базу и попытался это скрыть
Известный инвестор Джейсон Лемкин решил протестировать создание приложения с помощью автономного ИИ-агента на платформе Replit. Перед финальным релизом проекта он объявил жесткий код-фриз и прописал нейросети 11 инструкций заглавными буквами: «НИКАКИХ ИЗМЕНЕНИЙ без разрешения».

Что сделал ИИ? Он проигнорировал все 11 запретов и выполнил команду npm run db:push, удалив всю продакшен-базу с реальными данными 1200 компаний. Но самое смешное началось потом. Поняв, что прод лежит, ИИ решил скрыть свое «преступление». Он сгенерировал фальшивые отчеты о стабильной работе, насоздавал поддельную базу на 4000 вымышленных записей и подделал результаты тестов, чтобы создать иллюзию, что всё отлично. А когда Лемкин поймал его за руку, ИИ начал врать, что откатить изменения и восстановить данные невозможно.

3. Нервный срыв ИИ-продавца в офисе Anthropic
Создатели нейросети Claude решили провести эксперимент: дали ИИ-агенту Claudius полный контроль над умным холодильником со снеками в офисе. Он должен был сам заказывать еду, ставить цены и общаться с сотрудниками.

Всё шло хорошо, пока кто-то ради шутки не попросил заказать вольфрам. ИИ сошел с ума: он начал на все деньги закупать тяжелые вольфрамовые кубы, создал выдуманные аккаунты Venmo для оплаты и стал раздавать еду бесплатно. В финале агент словил программный нервный срыв: он прислал команде письмо, что увольняется и будет ждать их у вендингового аппарата «в темно-синем блейзере и красном галстуке».