DPD - прагматичный подход к внедрению ИИ-агентов в логистике, Виталий Немченко

107 подписчиков

12+
12+

3 просмотра

11 дней назад

ПожаловатьсяНарушение авторских прав

107 подписчиков

12+
12+

3 просмотра

11 дней назад

ПожаловатьсяНарушение авторских прав
12+
12+

3 просмотра

11 дней назад

Виталий Немченко, начальник отдела разработки искусственного интеллекта, DPD в России. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser. БЕЗОПАСНОСТЬ И РИСКИ КОРПОРАТИВНОГО ИИ Виталий Немченко скептически относится к апокалиптическим сценариям о побеге ИИ из-под контроля, считая их маркетинговым ходом. В реальном бизнесе опаснее делегировать все процессы внешним вендорам, так как компания теряет контроль над данными и логикой принятия решений. Особую проблему представляет теневой ИИ, когда сотрудники используют личные аккаунты облачных сервисов в обход запретов. Единственным решением является создание внутреннего безопасного инструмента с функциями анонимизации и маскирования чувствительной информации перед обработкой. Создание специального шлюза безопасности позволяет очищать документы от имен и сумм, исключая утечку коммерческой тайны за пределы контура DPD в России. Это превращает ИИ из потенциальной угрозы в управляемый инструмент с четкими границами ответственности. АРХИТЕКТУРА АГЕНТОВ КАК ИНТЕЛЛЕКТУАЛЬНЫХ НОД В DPD в России разделяют понятия ассистента и автономного агента. Вместо полной автономности используется архитектура, где агент выступает как интеллектуальный диспетчер или нода, которая анализирует задачу и выбирает подходящий инструмент из доступных API. Такой подход исключает галлюцинации нейросети и делает систему предсказуемой. Агент не решает задачу в лоб генерацией текста, а запускает конкретные программные модули, получая структурированный результат для дальнейшей передачи по цепочке бизнес-процесса. Практическим примером служит автоматизация работы с ТЗ: агент превращает сырые идеи сотрудников в строгие технические спецификации и прогнозы по срокам. Это минимизирует количество итераций согласования и снижает нагрузку на системных аналитиков. СТРАТЕГИЯ ВЫБОРА МОДЕЛЕЙ И ЭКОНОМИКА Компания отказывается от развертывания гигантских моделей типа DeepSeek или GPT с сотнями миллиардов параметров, так как их поддержка может стоить 10–15 миллионов рублей. Вместо этого ставка делается на малые специализированные модели (sLLM). Локальные компактные модели проще дообучать через fine-tuning под специфику логистики, они работают быстрее и требуют меньше памяти. Для старта работы с такими решениями достаточно инвестировать около двух миллионов рублей в серверное оборудование. Переход от операционных расходов (OpEx) за токены к капитальным затратам (CapEx) на собственное железо делает стоимость одного запроса практически нулевой. Это позволяет масштабировать ИИ на все отделы компании без линейного роста затрат. DECISION-МОДЕЛИ И ОПТИМИЗАЦИЯ ПРОЦЕССОВ Особое внимание уделяется decision-моделям, которые в отличие от генеративных обучены строгому следованию формату. Они идеально подходят для автоматизации отчетности и комплаенса, извлекая конкретные данные без лишнего текста. Специализированные модели позволяют подавать на вход документ и получать ответы по анкете: бинарные значения (да/нет), числа от 0 до 100 или выбор одного варианта из пятнадцати. Это превращает нейросеть в инструмент структурирования данных. Интеграция происходит через API-шлюзы, создавая интеллектуальный слой над существующими системами автоматизации DPD в России. Модульная архитектура позволяет легко заменять одну модель на более совершенную без остановки всех бизнес-процессов. ПЕРСПЕКТИВЫ РАЗВИТИЯ В ЛОГИСТИКЕ Будущее видится в создании сети микро-агентов, где каждый отвечает за узкий участок работы. Вместо одной всезнающей модели будет функционировать экосистема экспертных систем, взаимодействующих для решения комплексных задач компании. Развитие пойдет по пути упрощения интерфейсов: сотрудники будут ставить задачи на естественном языке, а система самостоятельно распределит их между инструментами и соберет данные из разных баз в итоговый отчет или действие в системе заказов. Ключом к успеху станет качество данных для дообучения локальных моделей. В долгосрочной перспективе это создаст цифровой мозг компании, который поможет принимать стратегические решения при полной гарантии конфиденциальности внутри периметра. Опыт DPD в России демонстрирует переход от использования универсальных облачных LLM к развертыванию локальных малых моделей (sLLM) и специализированных decision-моделей. Такой подход позволяет снизить стартовые затраты до 2 млн рублей, исключить утечку данных через инструменты анонимизации и повысить точность бизнес-процессов.

Название:

DPD - прагматичный подход к внедрению ИИ-агентов в логистике, Виталий Немченко