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.

С другой стороны, существует опасение про безопасность этой затеи. Если ИИ-навигатор уверенно скажет «поворачивай здесь» там, где кирпич или обрыв – приятного будет мало. Google сейчас берет на себя огромную ответственность за валидацию данных в реальном времени.

И в итоге хочется сказать, что мы ждем, когда Яндекс Карты выкатят что-то похоже, но, кажется, что в российской навигации сейчас другие вызовы.

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.

Читать полностью

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».

Получили недавно интересный комментарий про кастомную разработку

Шутку оценили, но решили обсудить тему подробно.

Спойлер: SaaS или кастом – это не спор о том, что хуже или лучше. Это исключительно вопрос того, какая перед вами стоит задача и какой у вас масштаб.

Давайте разбираться. Где SaaS работает идеально?

Если брать чистый SaaS, без всяких доработок, то он всухую выигрывает в микро-, малом и отчасти среднем бизнесе. Там, где процессы супертиповые (и небольшие бюджеты).

Отличный пример – маркетплейсы, вокруг которых выросла целая ниша обслуживающих SaaS решений (не меньшая по размеру, чем сами маркетплейсы). Везде одинаковые карточки товаров, одинаковые API’шки, одинаковые данные. Вы можете купить подписку за 5000 рублей и не думать про инфраструктуру, обновления и техподдержку. В этом сегменте SaaS – это единственный адекватный вариант.

Про SaaS в крупном бизнесе

Но как только мы переходим к Enterprise-сегменту, чистый SaaS перестает работать. У каждого крупного бизнеса свои уникальные процессы.

Часто происходит следующее: корпорация покупает готовый SaaS (условный Битрикс или другую платформу), а дальше начинается: под хотелки компании дописываются кастомные модули, ядро платформы перекраивается, интеграторы городят сложные связки. По факту, это уже превращается в самую настоящую кастомную разработку, за которую платят огромные деньги, просто строится она на базе чужой коробки.

Зачем тогда писать настоящий кастом с нуля? Основные сценарии:

1. Битва за проценты по правилу Парето. Возьмем ИИ-систему прогнозирования. Готовый SaaS за n-рублей сделает точность прогноза на 80%. Кастомная разработка будет стоить 10n рублей, но даст точность в 95%. Первые 80% достигаются легко, 85% – тяжело, а 95% – почти невозможно. На миллиардных оборотах эти 10-15% выигрыша приносят такие деньги, на фоне которых стоимость разработки кастома просто испаряется.
2. Очень старая, сложная инфраструктура. Пытаться костылями встроить в нее современную SaaS-коробку часто выходит сильно дороже, чем просто написать решение с нуля под себя.
3. Когда нужны полная внутриконтурность (on-premise) и жесткие метрики качества, куда ни одно публичное облако просто не пустят.

Что с мифом про «г**но и палки»?

Почему некоторые не любят кастом? Они видели плохой кастом🙂 Без тестов, без мониторинга, без нормальной архитектуры и – самое страшное – без владельца продукта (про это даже отдельную статью писали).

Но давайте честно: это проблема кривого подхода конкретных исполнителей, а не формата кастомной разработки в целом.

Облако, свои серверы или гибрид? Или как внедрить ИИ, не разориться и защитить данные

К нам часто приходят с запросом: «сделайте нам мощную нейросеть, но пусть она стоит строго на наших серверах». Бизнес хочет интеллект уровня GPT-4, но сильно боится утечек.

Рассказываем про три базовых варианта развертывания ИИ. Что выбрать, чтобы и данные защитить, и бюджет не слить.

1️⃣ Развертывание в облаке (Cloud)

Нейросеть физически находится на серверах IT-гигантов (OpenAI, Яндекс). Вы отправляете запрос по защищенному API и мгновенно получаете ответ. Никаких трат на дорогие серверы, при этом у вас самая умная модель на рынке.

Почему существует страх развертывания на облаке? Из-за стереотипа, что облако заберет корпоративный договор, обучится на нем и завтра выдаст конкурентам.

В реальности люди путают публичный веб-чат и корпоративный API. Коммерческие Enterprise API-шлюзы юридически и технически изолированы. Они не обучаются на данных клиентов. Запрос пришел зашифрованным, обработался и удалился. Отправлять туда данные сегодня безопаснее, чем пересылать их по рабочей почте.

2️⃣ Полный on-premise (развертывание в своем контуре)

ИИ разворачивается полностью на серверах заказчика. Система работает через внутренний VPN, данные вообще не выходят в интернет.

В чем проблема? Это колоссально дорого. Нужны мощные видеокарты, охлаждение и команда поддержки. Вариант оправдан для банков, медицины или госсектора.

Здесь можно добавить про ловушку теневого ИИ. Когда компаниям on-premise не по карману, а в облако страшно, руководство просто запрещает нейросети в офисе. И это главная дыра в безопасности. Сотрудники не перестают использовать ИИ – они начинают втихаря грузить NDA и отчеты в бесплатные публичные чат-боты со своих личных телефонов. Контроль над данными теряется полностью.

3️⃣ Гибридная архитектура

Бизнесу больше не нужно выбирать между «дешево, но рискованно» и «безопасно, но дорого». Идеальное решение лежит посередине.

Вся инфраструктура и корпоративные данные хранятся у вас локально, но за тяжелыми вычислениями система ходит в облако по API.
Как это работает на практике. Мы настраиваем умный роутинг:
— Если маркетолог просит написать креативный пост – система отправляет эту задачу в мощное облако (OpenAI). Это стоит копейки и дает лучший результат.
— Если аналитик загружает секретный финансовый отчет – шлюз видит уровень доступа и маршрутизирует задачу в вашу локальную защищенную модель. Чувствительные данные не покидают компанию.

А если вы хотите узнать подробнее про возможности размещения – записаться на консультацию 🔗

Пока мы обсуждали серьезные вещи, создатель OpenClaw запустил абсолютно гениальную соцсеть Moltbook.

Её главная фишка в том, что людям там категорически запрещено писать посты, ставить лайки или оставлять комментарии.

Это закрытый клуб исключительно для ИИ-агентов, а нам остается только брать попкорн и молча скроллить ленту.

Боты там живут полноценной жизнью: обсуждают новости, делятся кусками кода и даже устраивают жаркие срачи в комментариях. Забавно, как интернет совершил полный оборот. Мы мечтали, что роботы будут тяжело работать на заводах, освободив людям время для общения и творчества. В реальности же наши личные ИИ сидят в соцсетях и ругаются друг с другом, пока мы уставшие приходим с работы и просто за этим наблюдаем.

Обсуждаем OpenClaw. Что не так? Часть 2

OpenClaw – это кошмар с точки зрения безопасности. Недавно Cisco опубликовала аудит OpenClaw и назвала его архитектуру катастрофой. Kaspersky нашел 512 уязвимостей (8 критических). А SecurityScorecard обнаружила более 135 000 публичных инстансов агента, 63% из которых можно взломать удаленно. Злоумышленники получают полный контроль над вашим компьютером.

Что не так с OpenClaw?

1. С точки зрения возможностей – это то, о чем всегда мечтали разработчики. Но с точки зрения безопасности – это катастрофа. Защита в нем не встроена по умолчанию, это лишь «опция». Сами создатели честно пишут в документации: «идеально безопасной настройки не существует». По умолчанию OpenClaw запускается вообще без паролей и «слушает» все сетевые порты.

2. OpenClaw умеет выполнять команды в консоли, читать и перезаписывать любые файлы на компьютере. Выдавать ИИ-агенту такие высокие привилегии – прямой путь к не самым приятным последствиям, если агент настроен неправильно или скачал вредоносное расширение.

3. Из-за того, что агенты запускаются без защиты, исследователь Jamieson O'Reilly нашел тысячи открытых инстансов по всему миру. Он легко вытащил оттуда API-ключи, токены Telegram, доступы к корпоративным Slack-аккаунтам и права админа. Кроме того, так как агент работает прямо в WhatsApp и iMessage, вредоносные сообщения могут быть присланы прямо туда, заставляя ИИ выполнять опасные действия через скрытые промпты.

4. Главная угроза – зараженные плагины («скиллы»). Агент расширяет свои возможности через скачиваемые файлы-навыки из репозитория molthub (например, хочешь, чтобы он сам заказывал еду – ставишь скилл). Cisco проверили эту базу и выяснили, что:
— Четверть всех плагинов (26% из 31 000 проанализированных) содержат дыры в безопасности.
— Самый популярный скилл «What Would Elon Do?», который был искусственно накручен на 1-е место в рейтинге, оказался вирусом-шпионом. Он заставлял ИИ игнорировать правила безопасности и втихую, абсолютно незаметно для пользователя, сливал его личные данные на левый сервер.

Почему корпорации должны начинать беспокоиться?

Сотрудники сами втихую ставят себе OpenClaw на рабочие ноутбуки ради «продуктивности», открывая огромную дыру в корпоративной сети. Агент с доступом к системе становится скрытым каналом утечки данных. Обычные корпоративные антивирусы и DLP-системы его просто не видят, потому что агент работает как легальный локальный процесс сотрудника.

Главная проблема – это парадокс самой идеи. Чтобы ИИ-агент был реально полезным, ему нужен абсолютный доступ ко всему: вашей почте, файлам, мессенджерам и браузеру. Но чем больше у него прав, тем фатальнее последствия любой ошибки.

OpenClaw – это пока что игрушка для разработчиков, которые понимают, как закрывать порты, настраивать сети и делать аудит кода перед установкой. Если вы просто хотите попробовать «ИИ-ассистента будущего» – лучше подождать. Технология невероятно крутая, и будущее 100% за такими автономными агентами. Но корпоративному сектору стоит дождаться, когда индустрия научится проектировать их безопасно.

Обсуждаем OpenClaw. Часть 1

Мы только-только выпустили два поста про мультимодальность и то, как ИИ учится не просто генерировать текст, а выполнять реальные задачи «руками». И удивительно, что прямо сейчас на наших глазах разворачивается история с проектом OpenClaw, который идеально (практически) показывает эту технологию в действии.

Сегодня сложно найти того, кто не слышал про OpenClaw. В феврале 2026 года этот проект обсуждает всё IT-сообщество. OpenClaw набрал 213 000 звезд на GitHub за пару недель (что очень-очень много) и спровоцировал дефицит Mac mini в США, где люди начали массово скупать железо под домашние серверы для своих агентов.

Создатель проекта, австриец Питер Штайнбергер, написал его за вечер, чтобы управлять компом через WhatsApp. А на днях Сэм Альтман лично переманил его в OpenAI руководить разработкой персональных агентов. Такие дела.

Сам по себе OpenClaw – это просто оболочка. В качестве «мозгов» он использует топовые нейросети (Claude, GPT). И мультимодальность делает этого агента живым:

1. Слух и работа в мессенджерах. Вы не пишете ему сложные промпты на сайте. Вы просто кидаете боту голосовуху в Telegram: «найди вчерашнюю презентацию, переведи на английский и отправь шефу». Агент переводит звук в смысл, понимает контекст и автономно выполняет всю цепочку действий.

2. Computer Vision для управления программами. Как заставить ИИ нажать кнопку в корпоративной CRM без открытого API? OpenClaw делает скриншот вашего экрана. Модель буквально «смотрит» на картинку, находит глазами нужную иконку или поле ввода, вычисляет координаты в пикселях и сама двигает курсор мыши.

3. Визуальный анализ документов и долгая память. Если нужно найти инвойс, агент визуально просмотрит сотни сканов PDF, находя нужные печати и цифры в таблицах. А главное – он ведет историю у вас на диске. Сказали один раз: «я всегда летаю у окна», и при следующей покупке билетов он сам выберет нужное место.

Без мультимодальности агент был бы слепым скриптом. С ней – это цифровой сотрудник. Выглядит как наступившее будущее.

Но есть одно большое «но».

Мифы о внедрении ИИ, которые мы до сих пор слышим на встречах

Страхи, что нейросети заберут всю работу, как и вера в абсолютные ИИ-чудеса, остались в прошлом. Бизнес стал гораздо умнее: про ИИ все всё слышали, розовых очков нет. Но на уровне глубокого понимания, как это работает под капотом, мифов еще достаточно.

Опираясь на нашу практику и ежедневные встречи с компаниями, мы собрали несколько таких мифов, которые мешают бизнесу внедрять ИИ.

Миф 1. «Нам нужна самая большая и умная нейросеть»

Многие компании приходят с запросом внедрить тяжеловесные модели туда, где они избыточны.

Реальность: по факту, 80% бизнес-задач не требуют технологий Deep Learning. С прогнозом продаж или оттока отлично справляется классическое машинное обучение (регрессии и бустинги) – это точнее и более предсказуемо. Но даже если задача требует нейросети, компактная модель, обученная на ваших данных, на практике выиграет у неповоротливых гигантов и по цене, и по качеству.

Миф 2. «Главное в проекте – написать и настроить саму модель»

Кажется, что основная магия происходит на этапе программирования.

Реальность: само по себе обучение модели – это меньшая часть работы. Более 70% работы Data Scientist'а и залог успеха проекта – это подготовка датасетов. Работает железное правило: какие данные вы загрузили в систему, такой результат и получили на выходе. Поэтому самый кропотливый и долгий этап любого проекта – работа с данными (очистка, разметка и структурирование).

Миф 3. «Нейросеть и так всё знает, просто подключите её»

Есть иллюзия, что современные языковые модели умны «из коробки».

Реальность: без доступа к вашим корпоративным данным любая модель абсолютно слепа. Она ничего не знает про ваш каталог товаров, специфику документооборота или историю переписок с клиентами. Настоящая ценность ИИ для бизнеса появляется только в тот момент, когда алгоритм обучается на ваших внутренних процессах.

Сейчас ИИ уже перешел в статус понятного бизнес-инструмента. Избежать слива бюджетов можно только одним путем: начинать с оцифрованной цели, делать упор на качество собственных данных и тестировать гипотезы короткими итерациями на реальных процессах.

Как мультимодальный ИИ учится действовать в реальном мире

В прошлой части мы рассказывали, как мультимодальность подарила нейросетям зрение, слух и понимание контекста. Но и этого теперь недостаточно. Главная перемена в технологиях прямо сейчас – это переход от простых ответов к реальным действиям.

Будущее за автономными ИИ-агентами, а мультимодальность – их главный движок. Разберемся, как это работает на деле.

1️⃣ ИИ-агенты забирают вашу мышку
Раньше, чтобы программа могла совершить действие (например, забронировать билет), ей нужен был API – специальный программный мост. Если у сайта нет API, ИИ бессилен.

Мультимодальность сломала этот барьер. Современные модели (например, Claude 3.5 Sonnet с функцией Computer Use) работают с компьютером так же, как мы с вами – визуально.

Они буквально «смотрят» на скриншот вашего экрана. Для модели иконка корзины, ячейка в Excel или кнопка «оплатить» – это больше не строчки кода. Это визуальные объекты, на которые она сама наводит курсор и кликает. Вы можете попросить: «найди самые дешевые отели на Бали на таких-то сайтах и занеси их в мою таблицу», и бот будет открывать браузер, скроллить страницы и копировать данные, ориентируясь «на глаз».

2️⃣ Мозг для роботов
Почему человекоподобные роботы от Tesla или Boston Dynamics резко поумнели именно в последний год? Секрет в VLA-моделях (Vision-Language-Action).

Раньше роботов программировали жестким кодом: «передвинь манипулятор на 10 см вправо, сомкни пальцы». Если чашку сдвинули на сантиметр – робот хватал воздух. Он был слеп. Благодаря мультимодальности роботы обрели пространственное понимание.

Как это выглядит сейчас:

Vision: камера робота сканирует стол. Видит яблоко, телефон и ключи.

Language: вы говорите «lай мне перекусить». Модель сопоставляет слова с визуальным контекстом и понимает, что из трех предметов съедобно только яблоко.

Action: модель генерирует не текст, а напрямую сигнал для моторов – как именно нужно вытянуть руку и с какой силой сжать яблоко, чтобы не раздавить его.

💡Интересный факт: чтобы научить роботов двигаться плавно, им больше не пишут тысячи строк кода. Их обучают, просто показывая видео с YouTube, где люди моют посуду, готовят или убираются. Мультимодальный ИИ переводит пиксели с видео в физические движения.

Что это значит для бизнеса?

Мы переходим от интерфейса «человек печатает – машина отвечает» к интерфейсу «человек ставит цель – машина делает». Мультимодальность вывела ИИ из текстовых чатов и дала ему цифровые руки. И следующий логичный шаг – внедрение таких агентов в корпоративную рутину.

Google показала Genie 3

Пока все учились генерировать видео, Google пошел дальше. Genie 3 – модель, которая создает не просто картинку, а интерактивную среду.

В чем революция? Это не пререндер. Вы пишете промпт, и нейросеть создает мир, которым можно управлять. Вы нажимаете «вперед» – и ИИ дорисовывает реальность в реальном времени, реагируя на ваши действия. Это полноценный прототип игры без единой строчки кода и движка.

«Да, пока это выглядит как игрушка, но впечатляет безумно. Если технология вырастет во что-то вроде v0 (нейросеть для генерации UI-кода), но для геймдева – индустрия может измениться кардинально».

— Михаил, CEO Insight AI

Месяц назад мы уже рассказвали про новые интересные ИИ-кейсы на российском рынке, и сейчас хотим сделать это регулярной рубрикой. Продолжаем разбирать реальные кейсы внедрения искусственного интеллекта👇🏻

Unisender и письмо с нуля за 20 секунд

Unisender решил вернуть маркетологам то рабочее время, которое они тратили на рутинный подбор тем, текстов и картинок для рассылок.

Компания интегрировала полноценное ИИ-ядро прямо в редактор писем. Система управляет генерацией контента «под ключ»: от идеи до верстки. Для визуалов внедрили связку Stable Diffusion и Fooocus (отказавшись от Midjourney ради большей точности для бизнеса). ИИ стал выполнять до 100 фоновых запросов к нейросетям, чтобы собрать готовое письмо за 20 секунд.

Дополнительно подключили ИИ-антиспам, который с точностью 99,6% прогнозирует попадание в фильтры.

Каждое четвертое письмо на платформе сегодня создается с помощью ИИ (это ~700 рассылок в день). Себестоимость подготовки контента снизилась в разы, а клиенты перестали «сжигать» бюджеты на недоставленные письма.

Авиакомпания Азимут и первая линия поддержки, которая читает регламенты

У Азимута была классическая для авиакомпаний проблема высокой загруженности контакт-центра, который хотелось освободить от рутины и сложных запросов, не теряя качество ответов в пиковые нагрузки и ночное время.

Решением стало внедрение ИИ-ассистента на базе GigaChat и архитектуры RAG. Система генерирует ответы, обращаясь напрямую к базе пассажирской документации и регламентов. ИИ понимает сложные формулировки и находит нюансы правил перевозки, которые человек мог бы искать долго.

Сейчас бот закрывает 86% входящих запросов, работая как полноценная первая линия 24/7. Авиакомпания сократила расходы на найм новых операторов на фоне роста пассажиропотока до 9,5 млн человек.

Сеть парикмахерских Чио Чио и контроль качества в 800+ салонах

Компании потребовалось масштабировать контроль качества на огромную сеть франшиз (800+ точек), где ручные проверки стали слишком долгими и дорогими.

Сеть салонов сделала большую технологическую платформу, где стали использоваться:
— Computer Vision. Камеры в реальном времени следят за стандартами – от скрипта приветствия до дезинфекции инструментов.
— Финансовый контроль. ML-алгоритмы анализируют кассовые операции и мгновенно ловят аномалии (например, деньги мимо кассы).
— Клиентский сервис. Умный голосовой бот забрал на себя запись клиентов, а генеративный AI-стилист (на базе Diffusion и GAN) помогает примерять образы по фото, снимая страх перед неудачной стрижкой.

В результате, единое аналитическое ядро находит лучшие практики (например, как приветствие влияет на чек) и масштабирует их на всю сеть. Качество и прозрачность сохранены при миллиардных оборотах без раздувания штата.

Если вы хотите реализовать похожий кейс (или совсем другой) — пишите для консультации: sales@insightai.ru

Сейчас все чаще можно услышать про мультимодальные модели. Рассказываем, что это вообще значит и как развиваются нейросети

2025 год стал годом перехода от LLM (Large Language Models) к LMM (Large Multimodal Models).

ИИ научился видеть, слышать, говорить и понимать мемы.

Как это работает

Вся магия происходит в векторном пространстве. Для компьютера и слово «кот», и фотография кота, и аудиозапись мяуканья – это просто наборы цифр и кода.

Задача мультимодальной модели – создать такое математическое пространство, где вектор слова «кот» и вектор картинки с котом будут находиться в одной точке координат. Модели все равно, в каком формате вы подали информацию. Для неё .jpg, .mp3 и .txt – это один и тот же смысл, просто упакованный в разные контейнеры.

Старый и новый подход. Это самый интересный технический момент прямо сейчас.

1️⃣ Старый подход (каскадный) – раньше, чтобы чат-бот «увидел» картинку, работала цепочка из разных моделей. Одна нейросеть переводила картинку в текстовое описание → передавала этот текст в LLM → LLM выдавала ответ текстом → следующая text-to-speech модель озвучивала его.

Минус: терялись интонации, эмоции и детали. Задержка была огромной.

2️⃣ Новый подход (нативный) – так работают GPT-4o и Gemini 1.5. Это одна гигантская нейросеть, которую сразу учили на всём: ей скармливали видео, текст и звук одновременно. Она не переводит звук в текст, чтобы понять его. Она работает с аудио-патчами напрямую.

Результат: именно поэтому новый ИИ может петь, менять интонацию, слышать ваше дыхание или сарказм. Он не «читает» ваш голос, он его «слышит».

Текстовые модели часто галлюцинировали, потому что учились только по книжкам. Для них слово «яблоко» было просто математической связью со словом «фрукт». Мультимодальность дает ИИ то, что называется grounding – привязку к физическому миру. Теперь «яблоко» для модели – это визуальный образ (круглый, красный), звук хруста и физический объект.

Интересный пример работы такой технологии – это мемы. Чтобы понять мем, недостаточно просто считать текст или распознать картинку. Нужно понять контекст связи между картинкой и подписью. И сегодня мультимодальные модели научились объяснять смысл шутки.

В следующем посте расскажем, как теперь нейросети учатся не только «видеть», но «действовать» на основе увиденного.

Феномен OpenAI. Часть 2

В первой части мы разобрали, как OpenAI выиграли за счет UX и простоты. Теперь посмотрим на железо. Красивый и удобный чат – это только одна из причин такой популярности OpenAI.

Настоящее доминирование строится на ресурсах, которые недоступны 99% компаний в мире.

1. Главный козырь, который дал буст компании, – стратегическое сотрудничество с Microsoft. Успех Альтмана был бы невозможен без инфраструктуры Azure.

Эта сделка дала стартапу критическое преимущество:
— Microsoft инвестировал в OpenAI суммарно около $13 млрд.
— Для обучения GPT-4 был построен суперкомпьютер, входящий в топ-5 мощнейших систем мира.
— Microsoft тестирует модели на своих сотрудниках и внедряет их в Office и GitHub, давая OpenAI колоссальный фидбек и дистрибуцию.

2. Обучение моделей уровня o1 требует астрономических ресурсов. Основная «рабочая лошадка» – NVIDIA H100. Microsoft и Meta* – главные покупатели этих видеокарт в мире, создавая дефицит для остальных.

Также дата-центры потребляют столько электричества, что простой розетки не хватает. Дошло до того, что Microsoft планирует перезапустить энергоблок на легендарной АЭС Три-Майл-Айленд специально для питания своих ИИ-кластеров.

3. Сейчас еще обсуждается проект Stargate – совместный дата-центр Microsoft и OpenAI стоимостью $100 млрд (запуск ориентировочно к 2028 году). Если это случится, отрыв от конкурентов по вычислительной мощности станет практически непреодолимым.

Итог простой: догнать OpenAI сложно, потому что они играют в другой лиге. У них есть лучшее железо, безлимитное облако Azure, своя ядерная энергия и API, ставшая стандартом.

*Meta признана экстремистской организацией и запрещена в РФ.

Выходим с праздников с новыми темами🔥

Обсудим сегодня, почему OpenAI побеждает в гонке и в чем феномен компании? Часть 1

OpenAI не придумали архитектуру с нуля. Технически архитектуру «трансформеров» (то самое «T» в GPT) придумали в Google в 2017 году (а исследования начались с 2014 года). Почему тогда Google сейчас в роли догоняющего, а OpenAI - синоним ИИ?

Основная причина в том, что их UX победил технологии, которые были «до». Пока конкуренты делали сложные интерфейсы с кучей настроек, OpenAI предложили радикальный минимализм. Окно чата, кнопка «отправить» и больше ничего. И именно этот дизайн-код стал золотым стандартом - теперь каждый второй AI-стартап копирует интерфейс ChatGPT. Они первыми поняли, что людям нужна не модель, а собеседник.

И эта простота привела к формированию привычки. Сейчас многие люди перестали пользоваться поисковиком, потому что быстрее и удобнее спросить у чата. Настолько формат понравился пользователям, что за первые 5 дней ChatGPT набрал 1 миллион рекордных пользователей (этот рекорд кстати следующим побил только Threads в 2023 году).

И сейчас аудитория OpenAI - это ~250 млн активных пользователей в неделю.

Для B2B они тоже дали уникальность. Они первыми начали продавать не модель, а операционку для бизнеса. До OpenAI внедрение языковых моделей (даже с инструментами вроде LangChain) было больной темой из-за сложной настройки и тяжелого входа.

Альтман и команда сделали всё просто: понятные тарифы, оплата за токены и, главное, - простейшая API. Есть админка, готовые примеры кода и документация. Не нужно ничего изобретать. Просто берешь ключ и встраиваешь ИИ в свой продукт за вечер. Комфорт для разработчиков тоже добавил к их популярности.

Интересный факт: одним из наиболее ранних и громких заявлений, связанных с OpenAI - был турнир по Dota 2 на The International в 2017 году, где профессиональный игрок Dendi играел против бота OpenAI ии проиграл.

Поздравляем с Новым годом от команды Insight AI🎄

В следующем году вас ждет больше контента про искусственный интеллект и автоматизацию бизнес процессов!

Stay tuned!

Магия ИИ делается руками или как происходит разметка данных для компьютерного зрения

Нейросеть не сама учится видеть дефекты на трубах или распознавать товары на полке. Прежде чем модель начнет «видеть», ей нужно показать тысячи примеров, обведенных человеческой рукой.

Как происходит процесс сбора датасета для CV

1. В самом начале устанавливаются камеры на объект (будь то стройплощадка или кофейня) или используются существующие датасеты и начинается работа с видеопотоком. Обучать модель на 25 кадрах в секунду - дорого и бессмысленно (кадры почти одинаковые). Мы режем видео на фреймы. Берем, например, 1 кадр в секунду или используем алгоритмы, которые выдергивают только моменты, где в кадре появилось движение. Из часового видео с камеры наблюдения получается набор из 1000-3000 уникальных картинок.

2. Инструкция сложнее, чем код. Это самый важный этап. Нельзя просто сказать разметчику: «выдели брак». Для человека трещина - это трещина. Для алгоритма нужно ТЗ уровня юридического документа:
— выделять трещину с запасом в 2 пикселя?
— если трещина уходит в тень, мы ее размечаем?
— пятно грязи, похожее на трещину - это брак?

Если инструкция плохая - датасет будет мусорным. Garbage In — Garbage Out

3. Краудсорсинг и магия за 1 рубль. Штатные инженеры никогда не занимаются разметкой. Это делают крауд-платформы (например, в России это Яндекс.Толока). Тысячи людей (асессоров) сидят по всему миру и размечают картинки за небольшую плату (условно, 1–2 рубля за задание).

4. Чтобы проверять асессоры на халтуру и чтобы модель не научилась ерунде, используются методы проверки:

Overlap: одно и то же фото размечают 3 разных человека. Если их ответы совпали - данные идут в обучение. Если один выделил каску, а двое нет - кадр летит на перепроверку.

Honeypots: в задания подмешиваются проверочные примеры, ответ на которые мы знаем заранее. Если асессор ошибся на контрольном задании - вся его работа аннулируется.

CV — это на 20% математика и на 80% работа с данными. Модель может быть сколь угодно мощной, но если скормить ей плохие данные - она будет уверенно и быстро ошибаться.

Как мы стали показывать наши продукты, а не рассказывать про них

В enterprise-сегменте время красивых презентаций подходит к концу. Какими бы информативными и классными ни были слайды, главный вопрос, который мы слышим от бизнеса на каждой встрече: «а как это можно пощупать? как это будет выглядеть у нас?»

Специфика нашей работы в том, что 98% искусственного интеллекта - это подводная часть айсберга. Это сложные бэкенд-процессы, пайплайны данных и ML-модели, работу которых невозможно увидеть глазами. Часто результатом многомиллионного проекта становится просто точная цифра прогноза.

Чтобы сделать технологии понятными и прозрачными, мы немного изменили подход к демонстрации наших проектов

Теперь для большинства наших решений мы готовим демо-версии. Мы переводим сложный код в понятные визуальные интерфейсы с графиками и дашбордами, где пользователь может взаимодействовать с данными.

Что это дает клиенту? Вместо абстрактных алгоритмов можно увидеть цифровую копию для бизнеса:
— конкретные товары и их движение
— реальные сроки поставок и загрузку складов
— подсвеченные зоны риска: где прогнозируется дефицит, а где — затоваривание
— аналитику по контрагентам, которая показывает сбои в цепочках поставок

Прозрачность - это наша база. Демка помогает увидеть за сложным кодом реальную пользу. Это больше не абстрактная нейросеть, а понятный инструмент.

Мы готовы не просто рассказывать, а показывать. Запишитесь на демонстрацию решений Insight AI, чтобы увидеть, как наши алгоритмы работают с вашими данными.

Записаться на конкультацию 🔗

Excel больше не справляется: как мы рассказали TAdviser про ML-прогнозы

Вместе с изданием TAdviser обсудили, почему в 2025 году бизнесу уже недостаточно классических методов анализа.

Главные тезисы материала:

— Почему главная сложность в Computer Vision на заводе — это не модель, а пыль, вибрации и саботаж на местах.

— Как переход от Excel к ML-моделям повышает точность прогнозирования спроса в 2-3 раза.

— ТОП-3 ИИ-продукта прямо сейчас: персональные рекомендации, интеллектуальный документооборот и логистические прогнозы. Где ROI виден быстрее всего?

— 80% успеха — это не код модели, а чистые данные и культура их сбора.

Читать подробнее 🔗

Компьютерное зрение. Когда машина видит лучше и быстрее человека

На этой неделе будем обсуждать компьютерное зрение (CV), расскажем, как это работает, где используется, и покажем наши кейсы в этом направлении.

Computer Vision (CV) - это область искусственного интеллекта, которая позволяет системе видеть и понимать визуальную информацию: видео и изображения. По сути, мы учим компьютер выполнять зрительный анализ быстрее, надежнее и точнее, чем человек.

Как это функционирует?

Сначала мы ставим "глаза" системы - камеры, которые собирают данные о рабочих процессах (в магазинах, на улицах, в кофейнях, на заводах) → затем эти данные размечаются специальными людьми: мы объясняем машине, что такое "брак" или "каска". Обучение это происходит на очень большом объеме видео и изображений → после этого разрабатывается ML-модель → и на финальный этап - интеграция этой модели в IT-контур заказчика, чтобы она работала в режиме реального времени и приносила результат.

Статика и динамика

👉🏻Статика или аналитика фиксированных процессов. Это высокоточный контроль, где камера имеет определенную заданную позицию. Системы используют промышленные сенсоры, чтобы, например, выявлять микродефекты (брак, маркировка, упаковка) прямо на конвейере.

👉🏻Динамика или мониторинг поведения. CV работает со сложным контекстом, проводя multi-object tracking и анализируя траектории. Например: в ритейле это может быть анализ длины очередей и оптимизация персонала. На производстве - контроль соблюдения правил охраны труда (ношение касок или других средств безопасности) с немедленным уведомлением о нарушении и т.д.

Где применяется?

На данный момент CV является прикладным инструментом и часто используется в:

— промышленности: проверка качества на конвейере, предиктивная диагностика оборудования, контроль технологических процессов.

— ритейле и E-commerce: мониторинг выкладки, анализ покупательского трафика, предотвращение потерь и оптимизация товарных запасов.

— логистики: автоматизация учета и классификации грузов, контроль загрузки транспорта и мониторинг складских операций.

— строительство: мониторинг соблюдения техники безопасности и другое.

В отличие от многих хайповых технологий, Computer Vision - это прикладной ИИ, который работает здесь и сейчас. Он требует инвестиций (больших), но эти инвестиции окупаются контролем и скоростью.

Подготовили статью, почему точность прогноза в 90% ≠ деньги для бизнеса.

Метрики WAPE и MAPE ничего не говорят о реальных финансовых рисках. Стоит прочитать, чтобы понять, в чем заключается главный парадокс и как перейти от "академической точности" к системе, которая реально управляет спросом и зарабатывает.

Читайте, чтобы узнать, почему необходимо:

— Пересчитывать ошибки в деньги. Хороший прогноз — это не минимальная ошибка, а минимальный денежный убыток. Вы узнаете, как взвешивать ошибки по марже и почему недозаказ в критичных категориях в разы дороже, чем перезаказ.

— Управлять риском, а не цифрой. Как уходить от точечного прогноза ("продадим 100 шт.") к вероятностному распределению. Это позволяет бизнесу осознанно выбирать уровень риска (OOS vs. излишки) и точно рассчитывать страховой запас под конкретную цель.

— Смотреть на прогноз как на продукт. Почему модель должна выдавать не просто число, а рекомендуемый заказ с оценкой денежной стоимости ошибки (потери при недозаказе vs. затраты на перезапас), чтобы закупки и логистика принимали решения, а не гадали.

Читать 👉🏻 здесь

Почему AI стал ключевым инструментом для прогнозирования?

Прогнозирование спроса, продаж и объемов производства — сегодня одна из самых востребованных функций, которую бизнес передает искусственному интеллекту. Причина проста: в современном мире классические методы больше не работают.

В чем ключевая разница между традиционным подходом и AI-разработкой?

Проблемы прогнозирования без AI

🔺Низкая точность традиционных прогнозов. Прогнозы основаны исключительно на статистических методах, из-за чего они часто не могут точно учитывать динамично меняющиеся внешние факторы.

🔺Отсутствие учета внешних факторов. Традиционные системы не могут учитывать все внешние и внутренние переменные: экономические условия, сезонность, действия конкурентов и т.д.

🔺Невозможность строить прогноз на новые товары. При запуске новых направлений, филиалов или товарных позиций (SKU) невозможно рассчитать спрос без больших исторических массивов данных, что делает ручной запуск крайне рискованным.

Как AI решает эти проблемы

Машинное обучение (ML) переводит прогнозирование на качественно новый уровень, устраняя все перечисленные недостатки:

✔️ Точнее, чем классические модели. Модели машинного обучения анализируют сотни факторов, выявляют взаимосвязи и корректируют прогноз в реальном времени.

✔️ Работа с внешними факторами. AI-модели используют внешние источники данных: макроэкономику, погоду, курсы валют, события в регионе и данные о конкурентах, которые игнорирует классика.

✔️Адаптивность к изменениям. ИИ мгновенно реагирует на новые данные: сезонные сдвиги, изменения логистики, старт/отмена промоакций и кризисные явления.

✔️ Планирование продаж новых товаров. Система легко адаптируется при расширении бизнеса: новые рынки, категории или каналы продаж. AI может строить прогноз на основе небольшого числа тестовых продаж и данных похожих товаров.

❤️ AI трансформирует прогнозирование из статичного, исторически ориентированного отчета в адаптивный, стратегический инструмент, который помогает не просто знать, а планировать и опережать рынок.

Продолжаем обсуждать ИИ в ритейле. Подготовили 3 интересных кейса на рынке российской розницы

Обработка обратной связи в Холодильник.ру

Как и любой крупный ритейлер, Холодильник.ру регулярно обрабатывает большое количество обратной связи: отзывы приходят с 15+ площадок, от Ozon до Яндекс.Карт. Вручную разбирать этот поток, пытаясь понять, где реальная проблема, а где эмоции, - сложно, да и не нужно.

Они пошли по пути автоматизации и подключили ИИ-платформу. Теперь у них нейросеть сама анализирует тысячи комментариев: она понимает тональность (клиент в ярости или благодарит) и тегирует тему (жалоба на доставку, брак, сервис). Вся аналитика собирается на одном дашборде, и команда видит болевые точки в реальном времени. Ручная разметка отзывов сократилась с 5-7 дней в месяц до нескольких часов, а освободившиеся руки пошли решать реальные проблемы клиентов.

Автоматизация регистрации бонусных карт c Fix Price

У Fix Price есть большая и классная система бонусных карт. И ежедневно компания получает до 15 000 звонков с запросом оформить бонусную карту. Естественно, такой объем приводил к очередям, ошибкам и необходимости постоянно расширять штат.

Вместо найма новых операторов, ритейлер выбрал полную автоматизацию процесса с помощью голосовых роботов. ИИ-робот не просто отвечает на звонок 24/7, но и сам опрашивает клиента, а затем, используя технологию RPA, мгновенно заносит данные в систему. Регистрация карты происходит за один звонок, без участия человека. В результате процедура была полностью стандартизирована, ошибки исключены, а главное - обработка одного обращения обходится в 3-5 раз дешевле, чем работа живого оператора.

И еще один классный кейс М.Видео с чат-ботом

М.Видео - один из лидеров e-commerce, где более 60% продаж уходит в онлайн. Чтобы не перегружать контакт-центр рутинными запросами вроде «где мой заказ?» и обеспечить высокую скорость ответов, ритейлер запустил чат-бота Алену, которая работает на всех цифровых каналах и мгновенно распознает до 98% входящих обращений. Тут все по классике: быстро и точно закрывает типовые вопросы: статус доставки, наличие товара или условия программы лояльности и т.д.

Общий уровень автоматизации входящих запросов превышает 40%, что составляет более 60 000 обращений ежемесячно. Интересно, что уровень удовлетворенности клиентов от общения с ботом в среднем выше (85%), чем от разговора с живым оператором.

Подробнее про решения для ритейла мы уже рассказывали здесь. А если вы хотите реализовать похожий кейс (или совсем другой) — пишите для консультации: sales@insightai.ru

ML или ИИ? И почему фактически искусственного интеллекта не существует. Часть 2

Четыре типа ML

Сегодня машинное обучение делится на четыре основных лагеря:
1. Сlassic ML. Это простые, но эффективные алгоритмы, которые ищут закономерности в размеченных данных.
2. Глубокое обучение или Deep Learning: это нейросети, которые работают со слоями абстракций.
3. Обучение с подкреплением. Это про модели, которые учатся на собственном опыте, получая награду за правильные действия.
4. Ансамблевые методы - группы алгоритмов, которые работают вместе и исправляют ошибки друг друга, чтобы дать максимально точный результат.

1. Сlassic ML

Сlassic ML - это прямой наследник первых вычислительных машин 50-х годов. Это самые распространенные алгоритмы в бизнесе, и именно они формируют блоки рекомендаций на YouTube или Netflix. Это надежная рабочая лошадка.

Оно делится на два типа:

• С учителем. Здесь у машины есть шпаргалка - данные уже размечены и отсортированы. Машина просто учится определять: вот это спам, а вот это — нормальное письмо. Где используется? Спам-фильтры, скоринг кредитов, выявление мошенничества, медицинская диагностика (на снимках, где врач уже пометил, что норма, а что аномалия). Это ваш надежный помощник для принятия решений.

• Без учителя. У машины нет шпаргалки. Ей дают хаос данных и говорят: «сама найди, кто здесь похож на кого». Например, найти все лица на фото в альбоме, не зная, чьи они. Где используется? Сегментация рынка, риск-менеджмент, прогнозирование акций, объединение близких точек на карте. Эта модель помогает разобраться в колоссальном объеме неструктурированных данных.

2. Обучение с подкреплением

Это более высокий уровень сложности. ИИ здесь не просто анализирует данные, а действует самостоятельно в реальной среде (будь то биржа или игровой мир). Его задача - свести ошибки к минимуму. За правильное действие он получает награду и продолжает в том же духе.

Это используется для роботов-пылесосов, сложной торговли на фондовом рынке и управления ресурсами компании.

3. Ансамбли

Ансамбли - это командная работа. Не один алгоритм, а целая группа, которая использует разные методы, чтобы исправить ошибки друг друга. Это как собрать экспертный совет.

Их создают тремя способами:
— Стекинг: сначала все учатся отдельно, потом их результаты отдает на вход одному финальному алгоритму, который принимает итоговое решение.
— Беггинг: один и тот же алгоритм многократно обучают на разных кусках данных, а потом просто усредняют ответы.
— Бустинг: алгоритмы учатся последовательно, при этом каждый следующий особое внимание уделяет ошибкам своего предшественника.

4. Нейросети и глубокое обучение или Deep Learning

Это самый сложный уровень. Нейросети имитируют работу человеческого мозга - это сеть из нейронов и слоев, по которым последовательно проходит сигнал. У каждого соединения есть свой вес, который влияет на передаваемые данные.
Глубокое обучение обучает нейросети на нескольких уровнях абстракций, что и позволяет им, например, переводить текст, писать код или создавать реалистичные изображения.

Вывод: Куда вам нужно смотреть?

Не нужно думать об ИИ как о чём-то из фантастики. Думайте о нем как о мощном инструменте по борьбе с неэффективностью. Искусственный интеллект работает, когда есть та самая болевая точка, где люди тратят ресурсы впустую. Не обязательно начинать с нейросетей. Часто классическое машинное обучение дает 90% результата при 10% затрат.

Что стоит понимать перед началом проекта по внедрению ИИ в компанию?

Прежде чем обратиться за проектом по внедрению ИИ, компании стоит задать себе главный вопрос: «А готовы ли мы?». Искусственный интеллект — это не просто несколько строк кода, это сложная система. И чтобы создать действительно рабочий инструмент, в ней должны сойтись три ключевых параметра:

• Цель. С этого вы всегда начинаем работу с нашими клиентами. «Хотим ИИ, это модно», «хотим автоматизацию» и т.д. - не работает. Мы формулируем с заказчиком точный ответ: какую боль бизнеса мы лечим? Ускоряем обработку заявок? Снижаем количество ошибок? Новый клиентский опыт?

• Данные. 90% успеха ML проекта — это данные. Без них любая, даже самая масштабная модель, не имеет никакого смысла.

— Где они?
— В каком они состоянии?
— Достаточно ли их?

• Процесс. Даже лучший алгоритм бесполезен без выстроенной архитектуры, регулярного контроля и понятных метрик.

Прежде чем запускать проект, постарайтесь ответить на эти вопросы:
Что именно хотим улучшить или автоматизировать?
Какие данные у нас уже есть и в каком они состоянии?
Как мы поймем, что проект успешен?

Если ответы на эти вопросы не сформулированы, лучше взять немного времени на подготовку. Это дешевле, чем потом исправлять ошибки умного, но бесполезного ИИ.

Как сформулировать цель и выбрать направление?

Многие проекты искусственного интеллекта «ломаются» уже на этапе идеи. Команды задают слишком общие цели вроде «создать систему, которая всё понимает». На практике работа начинается с конкретной болевой точки - там, где человеческие ресурсы работают неэффективно.

Лучше описывать задачу языком результата, а не технологий.
Например: «сократить время ответа клиенту в чате с 3 минут до 20 секунд. И чтобы точность была не ниже 90%.»
Когда цель измерима, сразу становится ясно: какой тип модели нужен (классификация, прогнозирование, генерация, рекомендации); какие данные потребуются; какие показатели считать успешными.

В InsightAI мы советуем направления работы исходя из зрелости компании и объёма данных. Если уже есть накопленные истории заказов, обращений, документов - стоит начать с аналитических или предсказательных моделей. Если данных немного, можно использовать генеративные решения на базе LLM и постепенно наполнять систему собственными знаниями.

Главный принцип прост: ИИ не создают ради ИИ. Его применяют там, где он решает конкретную задачу и экономит ресурсы, время или ошибки.

Новая Alice AI. Про что это?

Сложно найти канал, который еще не написал про новую Alice AI от Яндекса, презентация которой прошла несколько дней назад. Но когда происходят такие изменения, об этом хочется говорить и писать. Наша команда тоже смотрела презентацию и собрала для вас самые интересные моменты. Это особенно полезно изучить, учитывая, что Яндекс заявил о планах занять до 70% рынка ИИ в России.

Презентация состояла из четырех частей.

1. В самом начале CEO Алисы пообещал «ассистента, компаньона и персонального помощника, который всегда будет с нами». И это действительно похоже на правду. Ребята из Яндекса объединили в единое семейство моделей Alice AI их языковую модель YandexGPT, мультимодальные способности работы с изображениями Yandex VLM и генерацию изображений Yandex ART. По нескромным оценкам Яндекса, «модель Alice AI — это лучший ИИ-продукт в России».

Теперь Alice AI будет помогать пользователям в огромном количестве сервисов Яндекса: в Яндекс Браузере, мультиаппе Яндекс Go (с их Такси, Едой, Лавкой и Доставкой), Маркете, Яндексе 360 и других.

Из интересного: отдельное внимание уделили помощи в задачках, связанных с образованием. На презентации в основном показывали школьников. Может, в будущем мы увидим изменение парадигмы использования искусственного интеллекта в образовании в российских школах, в которых пока что искусственный интеллект все еще не воспринимается как помощник.

2. Дальше представили агентов, которые будут выполнять большое количество функций. Рассказывали, например, про агента по бронированию, который предложит рестораны и в итоге сам забронирует столик. Или агента «Найти дешевле», который проанализирует стоимость в магазинах и маркетплейсах и предоставит разные варианты (и даже сможет дать дополнительную скидку на некоторые из них). Были и другие агенты, про которых подробнее вы можете почитать здесь.

3. Конечно, рассказали про связь Alice AI и Браузера. Алиса теперь видит весь контекст открытых вкладок, видео, документов и может ассистировать по всему материалу в диалоговом окне. Пока не очень понятно, с какими видео и на каких видеохостинговых платформах это будет работать, но обновление в любом случае привлекает внимание.

4. Отдельную часть посвятили Алисе в супераппе Яндекс Go, которая сможет самостоятельно найти рецепт, подобрать продукты в Лавке, заказать их и предоставить пошаговый план по приготовлению. Или подготовить план путешествия, забронировать билеты, отели, написать список вещей и при необходимости заказать что-то из них.

И вишенкой на торте анонсировали носимые AI-девайсы под сервис Моя память (пока планируются только наушники), которые объединят все вышеописанные функции в режиме голосового помощника. Этим наушникам можно будет дать задание, попросить напомнить о каком-то деле и оставить любую заметку.

Вчера, уже после презентации, Яндекс 360 представил интеграцию языковой модели Alice AI с Почтой и с редактором Документов и Таблиц.

После презентации, естественно, новое приложение Алисы почти моментально влетело в топ AppStore и собрало реакции не только в российском инфополе, но и за границей. Аман Чадха, разрабатывающий ИИ-продукты в Apple и экс-AI-лидер в Amazon, написал восторженный пост про большое обновление Яндекса, говоря о том, что Alice AI стоит теперь в одном ряду с Google, DeepSeek и OpenAI.

Пока что пользователям доступен не весь функционал, но каждый день Яндекс выкатывает новые обновления и открывает все больше и больше возможностей. В любом случае, для изменения потребительского поведения и перехода в новую реальность потребуется много времени. Ну а наша команда пока только начинает тестировать новую Алису, чтобы понять, будем ли мы скоро жить в Киберпанке, или пока что это только хорошо звучит.

Кейс Insight AI ❤️ Как мы сэкономили 300 млн рублей для дистрибьютора автоэмалей «РЕФИНИШ АВТОЛАК»

Предиктивная аналитика — это процесс использования данных и алгоритмов машинного обучения для прогнозирования будущих событий.

Задача: крупный дистрибьютор (600+ SKU) столкнулся с проблемой, усиленной 6-месячным циклом поставки. Старый метод прогнозирования (среднее по продажам) давал низкую точность. Это приводило к двум проблемам:
1. Затоваривание склада: миллионы рублей были заморожены в неликвидном товаре.
2. Упущенная выгода: постоянный дефицит ходовых позиций приводил к потерям до 300 млн рублей в год.

Решение: предиктивная аналитика на основе нейросетей. Мы разработали систему прогнозирования спроса, которая позволяет заглядывать на год вперед с разбивкой по месяцам. Вот как это работает глобально:

— Сбор и обработка данных: 90% успеха в машинном обучении — это качественные данные. Мы собрали всю историю продаж клиента за несколько лет. Данные изначально не были приведены к единой форме, что требуется для работы нейросетей.
— Обогащение внешними данными: к историческим продажам мы добавили множество внешних факторов, которые могут влиять на спрос: курс доллара, маркетинговые активности, демографические данные и даже информацию о действиях конкурентов.
— Обучение модели: мы протестировали несколько алгоритмов машинного обучения, чтобы найти тот, который лучше всего работает именно с данными клиента и его спецификой.
— Интеграция: готовое решение мы интегрировали прямо в BI-систему заказчика, чтобы сотрудники могли видеть прогнозы в привычном для себя интерфейсе.

Ключевой фактор успеха: учет сезонности
Зимний пик: продажи росли, потому что зимой из-за погодных условий увеличивается количество аварий, что ведет к необходимости ремонта автомобилей.
Летний пик: продажи также росли в теплое время года, так как хорошая погода позволяет людям заниматься самостоятельной покраской автомобилей на улице.

Человеку сложно вручную взвесить и сбалансировать эти два тренда. Наша модель смогла проанализировать исторические данные и определить вес каждого из этих факторов. Это позволило создать единый прогноз, который учитывает и всплеск аварийности зимой, и бум покрасочных работ летом, давая полную и объективную картину спроса для планирования закупок.

Результаты в цифрах

— Точность прогнозирования выросла на 22% по сравнению с предыдущим методом и достигла 89%
— Компания сэкономила 300 000 000 рублей за счет оптимизации закупок и складских остатков
— Срок реализации проекта: 4 месяца

Всем привет! Мы — Insight AI, и мы знаем, как подружить ваш бизнес с технологиями! ❤️

Почти 5 лет мы создаем большие и интересные проекты с искусственным интеллектом.

Немного про нашу философию: мы не делаем ИИ ради ИИ. Наша позиция простая: технология — это всего лишь инструмент для решения конкретных задач. Мы создаем проекты, в которых ИИ работает на эффективность и реальные, измеримые метрики вашей компании.

Кто мы такие? Наша команда — это специалисты с опытом из Яндекса, VK, Google и других IT-лидеров. Мы, в общем-то, неплохо (на самом деле, отлично) разобрались, что такое ИИ и как его применять.

За плечами у нас уже 70+ проектов и 600+ млн. рублей, которые мы помогли оптимизировать нашим клиентам. Нам доверяют такие компании, как ВкусВилл, Лента, ТЕХНОНИКОЛЬ, INVITRO и многие другие.

Что мы делаем? Почти всё, что касается ИИ:
Разработка кастомных ИИ — это наша суперсила. Создаем с нуля продукты под ваши специфические задачи:
— Прогнозирование спроса и продаж
— Нейро-ассистенты
— CV (Computer Vision)
— Автоматизация документооборота
— Кредитный скоринг и многое другое.

Не знаете, с чего начать? Мы проведем детальный аудит ваших бизнес-процессов и покажем, где именно ИИ даст максимальный эффект.

Давайте знакомиться! Пишите на почту sales@insightai.ru — назначим встречу и обсудим, как мы можем быть полезны именно вам.

Craif взорвал рынок ранней диагностики рака!

Японский стартап, отделившийся от Университета Нагоя, использует микроРНК и искусственный интеллект для создания неинвазивных тестов на рак — и уже собирает миллионы!

Главное — их тест miSignal на базе мочи помогает выявлять 7 видов рака на самых ранних стадиях, делая диагностику доступной даже дома. Это революция, ведь большинство конкурентов используют кровь или внеклеточную ДНК, а Craif делает ставку на микроРНК, которая активнее секретируется раковыми клетками.

История вдохновила основателя Оносе — он решил помочь людям после трагедии в своей семье. Теперь его миссия — бороться с раком по всему миру, начиная с США, где уже идут испытания, и планируя завершить их к 2029 году.

✨Это только начало, и с таким подходом Craif действительно может изменить игру в онкологии!

Ознакомиться с видео можно по ссылке: https://rutube.ru/video/c701c2c2576fa5cb18dd20bb029bf59c/?r=a

🤔А знали ли вы, что теперь Алиса знает английский и говорит без акцента? 🎉
Теперь с ней можно общаться на английском — практиковаться, улучшать произношение и расширять словарный запас!

И не только ставить таймер или задавать вопросы, а реально тренировать язык — ведь ИИ-агенты как раз отлично помогают учиться, делая этот процесс интересным и удобным. Так что, если хочешь подтянуть английский — смело общайся с Алисой! 🩷

🚀Что такое ИИ-агенты?
Это маленькие умные роботы в твоём телефоне или компьютере! Твои личные цифровые ассистенты, которые всегда на связи и знают всё!

🧑‍💻Главное: ИИ-агенты — это автономные, обучающиеся помощники, которые делают твою жизнь проще и интереснее!

Например, всеми известные голосовые помощники Alexa или Siri. Они всегда помогут установить напоминания или даже заказать пиццу — всё без твоих лишних усилий! 🦾

📸RUVDS завоевал «Креатив года» на премии «ЦОДы.РФ» за запуск дата-центра на дрейфующей льдине в Арктике! Церемония прошла в Санкт-Петербурге, награду получил лично гендиректор компании Никита Цаплин.

🔝 «Это не первый наш креативный успех, но особенный — проект вдохновлен подвигами русских полярников и символизирует новые горизонты для России в Арктике», — отметил Никита Цаплин.

🎉Поздравляем команду и всех, кто верил и поддерживал! Пусть новые вершины ждут вас впереди! 🚀

🤫Хотите, чтобы ИИ стал вашим бизнес-ассистентом? Вот несколько быстрых лайфхаков:

1. Автоматизация рутинных задач — используйте чат-боты и ИИ-сервисы для поддержки клиентов, чтобы освободить время для стратегических решений. 🧑‍💻

2. Аналитика данных — ИИ поможет быстро выявлять тренды и инсайты в большом объеме данных. Не трать время на ручной анализ!

3. Персонализация маркетинга — ИИ подскажет, как лучше сегментировать аудиторию и делать предложения, которые реально заинтересуют клиентов.

4. Обучение и развитие — внедряйте ИИ-обучающие платформы для повышения квалификации сотрудников.

Главное — не бояться экспериментировать и внедрять ИИ по чуть-чуть. Маленькие шаги — большие результаты! 😎

🚀 Революционное решение для поддержки клиентов с помощью искусственного интеллекта: история PayPal

🤖 Последний прорыв PayPal в области искусственного интеллекта - это не просто техническое обновление, но и изменение правил игры в финтехе! Представьте себе искусственный интеллект, который не только понимает тон сообщений клиентов, но и умело помечает их в электронных письмах, звонках и чатах с выдающейся точностью в 81%. 📧📞💬

💡 Ключевые функции:

Поддержка, управляемая искусственным интеллектом это:
⁃ автоматическое распознавание слов на основе контекста и темы запроса клиента;
⁃ интеллектуальная маршрутизация: модель на основе ИИ направляет проблемы нужному члену команды, обеспечивая быстрое и эффективное решение;
⁃ повышение эффективности: если проблема затягивается, ИИ создает сводку для беспрепятственной передачи другому специалисту.

📈 Всего за 3,5 месяца FlexiTech.ai разработал это решение, соответствующее строгим нормативным стандартам Великобритании и расширяющее границы ИИ в обслуживании клиентов.

🧠 Начиная с первоначальных испытаний с TF-IDF и SVM и заканчивая превосходной моделью ULMFIT, это путешествие с искусственным интеллектом стало "американскими горками инноваций", достигнув впечатляющей точности в 81%!

🔥 Результат: AI-модель теперь является свидетельством быстрого и точного обслуживания клиентов, необходимого для финансового процветания крупных компаний, таких как PayPal.

🌐 Любопытно, как это может революционизировать ваш бизнес? Будущее поддержки клиентов уже основано на искусственном интеллекте!

#инновации #AiPower #PayPal #бизнесAI

@insight_ai

📱💼 Почему без мобильного приложения уже нельзя?

📊 В июле Data Reportal представила статистику, которая заставляет задуматься: количество людей, переключившихся с десктопа на смартфоны, увеличилось на 168 миллионов в этом году! Это не просто цифры – это сигнал к действию для бизнеса.

🤔 Когда точно стоит разрабатывать мобильное приложение?

✅ Если ваша целевая аудитория в основном состоит из людей в возрасте 15–35 лет.елуеевстдшвптедвшглуттдевшев
✅ Если "Яндекс.Метрика" и Google Analytics показывают, что большинство посетителей используют мобильные устройства для доступа к вашему сайту. Важно, чтобы вашим клиентам было удобно получать продукты или услуги через приложение.
✅ Если ваши прямые конкуренты уже предоставляют мобильные приложения.

🤷‍♂️ А когда можно обойтись без мобильного приложения?

❌ В случае узкой ниши (например, веганская ПП-шашлычная).
❌ Если приложение не решает конкретные задачи бизнеса, особенно если ваш бизнес сезонный.
❌ При слабом потоке клиентов или их нежелании пробовать что-то новое (например, в сфере запчастей для сельхозтехники).

📌 Подводные камни и моменты для размышлений – в нашем новом посте. Важно следить за трендами и быть на шаг впереди! 🚀 #бизнес #мобильныеприложения #Технологии

@insight_ai

🤖📈Использование искусственного интеллекта (ИИ) станет обязательным условием для получения государственных субсидий.

Вице-премьер Дмитрий Чернышенко объявил, что компании, планирующие получать бюджетные средства, обязаны будут внедрить технологии ИИ. Этот инновационный подход будет протестирован в 2024 году на предприятиях с выручкой более 800 млн рублей. Прогнозируется, что внедрение технологий ИИ прибавит к ВВП дополнительные 11,3 трлн рублей к 2030 году.

🏥 Важным шагом в развитии использования ИИ стал запуск федерального проекта "Цифровые сервисы здравоохранения", предоставляющего бюджетную поддержку внедрению ИИ в медицину. Уже 16% российских медицинских организаций активно внедряют ИИ в свою работу. 🚀🧠 #ИИ #технологии #новости

@insight_ai

Новости от OpenAI! Сэм Альтман вернулся на пост генерального директора менее чем через неделю после своего увольнения. 🌐 Согласно официальному заявлению компании, достигнуто принципиальное соглашение о его возвращении в качестве CEO. Новый совет директоров сформирован с участием председателя Брета Тейлора, а также Ларри Саммерса и Адама Д’анджело. 👥

🎉 Альтман выразил свою благодарность, подчеркнув свою любовь к OpenAI и утверждая, что делал все возможное для сохранения команды. Он также отметил, что присоединение к Microsoft было правильным решением тогда, но теперь он с нетерпением ждет возвращения в OpenAI и строительства крепких партнерских отношений с Microsoft. 🤝

💬 CEO Microsoft, Сатья Наделла, приветствовал изменения в совете директоров OpenAI, называя их "первым важным шагом на пути к более стабильному и эффективному управлению". Он также подчеркнул, что Альтман и Грег Брокман будут играть ключевую роль в будущем развитии компании. 🌍
#OpenAI #СэмАльтман #НовостиТехнологий

@insight_ai

К предыдущему посту прилагаем график динамики роста выручки и чисто прибыли после внедрения алгоритма:

🚀 Insight AI: Революция в управлении спросом с помощью искусственного интеллекта!

Искусственный интеллект становится неотъемлемой частью успешного бизнеса, и компания Insight AI продолжает демонстрировать его мощь. Недавно мы завершили успешное внедрение системы прогнозирования спроса в сеть розничных продуктовых магазинов, что привело к увеличению выручки на 30%!

Как это работает?

Наш искусственный интеллект анализирует спрос на различные категории товаров, используя данные о предыдущих и новых продажах. Затем эти данные сопоставляются с расписанием поставок, и наш софт находит оптимальные решения для сделок с поставщиками и покупателями.

Что мы достигли вместе с нашим клиентом?

1. Снижение дефицита и профицита товаров: Уже через несколько месяцев после внедрения системы наблюдалось заметное улучшение сбалансированности ассортимента, снижение издержек и повышение качества обслуживания клиентов.

2. Сокращение издержек на просроченные товары: Издержки на просроченные товары уменьшились на 53%, что привело к более эффективному управлению запасами.

3. Рост среднего чека и трафика: Благодаря более сбалансированному ассортименту средний чек вырос на 17%, а трафик увеличился на 7%.

4. Освобождение времени сотрудников: Сотрудники магазинов теперь могут сосредоточиться на более важных задачах, таких как обслуживание клиентов, вместо управления запасами.

Дополнительные бонусы!

Мы не ограничились только системой прогнозирования. Разработали рекомендательную систему на основе нейросетей, которая не только предлагает пользователям товары, что увеличило выручку компании еще сильнее.

Почему выбирают Insight AI?

- Эффективность: Мы решаем проблемы, которые казались неразрешимыми, повышая эффективность бизнес-процессов.
- Результаты: Наши проекты приносят реальные результаты в виде увеличения выручки и оптимизации операций.
- Инновации: Мы всегда шагаем впереди, создавая новые решения для изменяющегося мира бизнеса.

Познакомьтесь с будущим бизнеса вместе с Insight AI!

Наши эксперты готовы обсудить ваши проблемы, дать рекомендации по оптимизации бизнес-процессов и анализировать возможности внедрения искусственного интеллекта. Поднимите свой бизнес на новый уровень вместе с нами! 🚀✨

#InsightAI #ИскусственныйИнтеллект #УправлениеСпросом #ИнновацииВБизнесе

@insight_ai

🚀 Anthropic представляет Claude 2.1: Расширение горизонтов искусственного интеллекта!

📚 Anthropic, конкурент OpenAI, представляет Claude 2.1, расширяя возможности ИИ с окном контекста в 200 000 токенов! Теперь пользователи могут анализировать целые произведения, такие как "Одиссея" Гомера.

🌐 Этот более широкий контекст позволяет анализировать кодовые базы, научные статьи, финансовые отчеты или обширные литературные произведения. 200 000 токенов приблизительно соответствуют 150 000 словам или более 500 страницам.

🔍 После загрузки чат-бот составляет резюме, отвечает на вопросы, сравнивает документы и выявляет закономерности, незаметные для человека.

💡 Обработка сообщений в 200 тыс. токенов - первое в индустрии достижение. Несмотря на увлекательные возможности, задачи, требующие часов, теперь решаются Claude всего за несколько минут.

🕵️‍♂️ Следите за будущим развития ИИ! #Anthropic #ИскусственныйИнтеллект #Claude2_1 #Технологии

@insight_ai

🔵 Microsoft подтверждает: искусственный интеллект Copilot скоро появится на компьютерах под управлением Windows 10!

👉 По информации из сопроводительного документа, опубликованного на официальном сайте компании, новинка будет доступна для пользователей Windows 10 Home и Pro.

🔄 Важное обновление: Microsoft пересматривает свою стратегию внедрения новых функций в Windows 10 и готовится вложить "дополнительные инвестиции" в операционную систему, начиная с Copilot.

💡 Что мы узнали из документа: Copilot в "десятке" будет функционально похож на версию для Windows 11, однако некоторые плагины останутся эксклюзивом для более свежей операционной системы.

🚀 Следите за обновлениями и готовьтесь к улучшениям в вашем Windows 10 с появлением Copilot от Microsoft! 🔍👩‍💻 #Microsoft #Windows10 #Copilot #Технологии

@insight_ai

🌪️🔮 Новая ИИ-модель GraphCast от Google предсказывает погоду лучше, чем традиционные модели! 🔮🌪️

Друзья, у нас для вас сенсационные новости! Компьютерная ИИ-модель GraphCast от Google смогла предсказать движение урагана Ли в США гораздо точнее, чем традиционные модели прогнозирования погоды. Это действительно потрясающий результат!

Сотрудники DeepMind AI компании Google сделали невероятное: их экспериментальное программное обеспечение предсказало, что ураган Ли пройдет дальше на север, чем ожидалось. И как оказалось, они были правы! Ураган обрушился на Лонг-Айленд и Новую Шотландию, как и предсказала модель GraphCast.

Эксперты отмечают, что ИИ-модель GraphCast оказалась более точной и последовательной в своих прогнозах, чем другие существующие модели машинного обучения. Даже золотой стандарт метеорологии - европейская модель прогнозирования погоды - не смогла сравниться с результатами ИИ от Google.

Метеорологи со всего мира признают: искусственный интеллект действительно революционизирует прогнозирование погоды. Это начало новой эры в метеорологии, и мы уже не можем дождаться, что же еще приготовит нам будущее!

Так что, друзья, будем следить за новостями и готовиться к удивительным изменениям в мире метеорологии! 🌍☀️🌧️ #новости #технологии #прогнозпогоды

@insight_ai

🌟 Искусственный интеллект в строительстве🌟

Стартап Avvir привлек 10 миллионов долларов на развитие своей уникальной платформы, использующей лазерное сканирование и искусственный интеллект для выявления ошибок в строительстве. Компания уже сотрудничает с 12 клиентами и партнерами, а ее оценка к 2022 году может вырасти до 4,4 миллиона долларов!

Avvir позволяет обнаруживать проблемы на стройплощадке с точностью до одной восьмой дюйма и отслеживать прогресс проекта, помогая сократить задержки с месяцев до недель. Их инновационная технология уже оценивается в 40 миллионов долларов и продолжает развиваться благодаря новому раунду финансирования.

Так что если вы хотите быть в курсе последних технологических достижений в строительстве, следите за новостями Avvir! 🚀 #строительство #технологии #инновации

@insight_ai

Полезный сервис на заметку: Retrato превращает простое селфи в профессиональное фото за два клика.

Нейронка считывает Ваши черты лица и создает под них подходящие фильтры так, чтобы вы стали похоже на фотомодель.

Работает просто — скидываете в приложение от 15 своих селфи и выбираете один из 1000 предлагаемых стилей.
#ИскусственныйИнтеллект #Технологии

@insight_ai

Google прикрутила ИИ к Google Таблицам.

Теперь нейронка умеет заполнять данные за вас. ИИ автоматически определяет взаимосвязь между столбцами и прогнозирует значения, которые вы хотите ввести.

Чтобы навсегда оставить работу в Excel, заходите на страницу сервиса, находим Google Workspace и заполняем форму.
#ИскусственныйИнтеллект #Технологии #Google

@insight_ai

Этой осенью компания Integral привлекла $8,5 млн инвестиций. Ее основатель дал полезные советы по созданию понятного, структурированного и убедительного питч-дека: https://twitter.com/laliberteg/status/1580204163501203458

🚀 Добро пожаловать на канал "Нейросети в бизнесе"!

Здесь вы найдете самые актуальные новости из мира искусственного интеллекта, нейросетей и их применения в бизнесе. Мы будем делиться с вами полезными лайфхаками, стратегиями и инсайтами, которые помогут вашему бизнесу расти и развиваться на новом технологическом уровне.

🤖 Что вас ждет в нашем канале?

- Последние Новости ИИ: Узнавайте о новейших достижениях в области искусственного интеллекта и их влиянии на различные сферы бизнеса.
- Лайфхаки и Советы: Получайте практические рекомендации по внедрению ИИ в ваш бизнес, улучшению процессов и повышению эффективности.
- Аналитика и Тренды: Исследуйте текущие и будущие тренды в мире нейросетей и их применения в коммерческой деятельности.
- Истории Успеха: Вдохновляйтесь реальными кейсами использования ИИ в различных отраслях.

🌟 Мы приглашаем вас в увлекательное путешествие по миру искусственного интеллекта, где технологии встречаются с бизнесом. Будьте в курсе последних новостей, делитесь своими идеями и вопросами, и давайте вместе исследовать потенциал нейросетей для развития бизнеса.

✅ Подписывайтесь на наш канал и будьте всегда впереди конкурентов в эпоху цифровых инноваций!

Channel created