О студии
Обновлено
Strela Digital — студия прикладных ИИ- и ML-решений для бизнеса. Мы проектируем и внедряем ассистентов, агентов, RAG-системы и автоматизацию процессов, где ИИ должен работать не в демо, а в реальном бизнес-контуре.
Мы работаем в разработке с 2017 года. Первый клиентский ML-проект сделали в 2021-м. С тех пор реализовали 11 клиентских ИИ/ML-проектов и продуктов, а также 10 внутренних и собственных решений для своих процессов и продуктовых гипотез.
Мы не продаём «магический ИИ». Обычно задача выглядит проще и конкретнее: сократить ручную обработку обращений, быстрее разбирать заявки, находить ошибки в данных, помогать менеджерам отвечать клиентам или автоматизировать часть внутреннего процесса.
Как проходит внедрение
Мы идём поэтапно: демо → пилот → прод.
Демо. На первом этапе разбираем задачу, смотрим текущий процесс и показываем, как решение может работать на похожих данных или ограниченном сценарии. Цель демо — не впечатлить эффектом, а понять, есть ли здесь реальная бизнес-задача для ИИ.
Пилот. Если гипотеза подтверждается, собираем пилот на данных клиента. Обычно пилот занимает от 2 недель до 2 месяцев: срок зависит от сложности процесса, доступности данных, интеграций и того, насколько заранее понятно, что считать успешным результатом. До старта согласуем метрику успеха.
Прод. После пилота дорабатываем решение для реальной эксплуатации: подключаем нужные источники данных, роли пользователей, логи, ограничения, интеграции с CRM, helpdesk, сайтом, внутренними системами или другими сервисами. На этом этапе важно не только «чтобы ИИ отвечал», а чтобы он работал управляемо, безопасно и вписывался в процесс команды.
Как это выглядит на реальных задачах — в примерах: разбор потока обращений, лид-бот для входящих заявок, диагностика карточек маркетплейса.
Что нужно для пилота
Для старта достаточно объяснить задачу и показать, как процесс работает сейчас. Но чем ближе данные к реальности, тем полезнее будет пилот.
Обычно в первую неделю нам нужны:
- описание процесса и цели пилота;
- контакт ответственного со стороны клиента;
- примеры правильной обработки: хорошие ответы, разметка, брифы, заявки, документы или решения оператора;
- реальные сырые выгрузки данных, если они есть;
- понимание, где будет использоваться результат: CRM, helpdesk, сайт, мессенджер, внутренняя система или ручная проверка.
Мы можем начать с минимального набора вводных, но хороший пилот почти всегда строится на реальных данных: обращениях, карточках, документах, заявках, истории диалогов, выгрузках из CRM или других источниках.
Данные и безопасность
Мы заранее обсуждаем, какие данные нужны для работы решения, где они хранятся и кто получает к ним доступ.
В пилоте стараемся использовать только те данные, которые действительно нужны для проверки гипотезы. Если можно начать с обезличенной выгрузки, ограниченного набора документов или тестового контура — начинаем так.
Для продакшена отдельно фиксируем требования к доступам, логированию, хранению данных, интеграциям и действиям ИИ. Важный принцип: ИИ не должен бесконтрольно менять данные, отправлять сообщения или принимать решения там, где нужна проверка человека.
Как мы обрабатываем персональные данные, оставленные через форму заявки на этом сайте, — в политике обработки персональных данных.
Команда
Команда Strela — 13 человек: 4 специалиста с опытом ИИ- и ML-проектов, остальные закрывают классическую разработку, интеграции, интерфейсы, инфраструктуру и управление проектом.
Такой формат помогает не ограничиваться прототипом в чате. Мы можем собрать демонстрацию, проверить гипотезу на данных клиента, встроить решение в существующие системы и довести его до рабочего процесса.
Границы ответственности
Мы отвечаем за проектирование, разработку и внедрение ИИ-решения в рамках согласованной задачи.
При этом мы не обещаем, что ИИ полностью заменит команду, будет всегда отвечать без ошибок или сам исправит некачественные данные. В большинстве рабочих сценариев ИИ лучше использовать как управляемую часть процесса: он классифицирует, предлагает, собирает черновик, ищет аномалии, готовит ответ или поднимает важное — а человек остаётся в контуре там, где цена ошибки высока.
До старта пилота мы фиксируем, что считаем успехом: точность классификации, долю обработанных обращений, скорость реакции, качество ответа, сокращение ручной работы или другой показатель, который важен в конкретном процессе.
Если метрика достигнута — понятно, зачем идти в прод. Если нет — понятно, где ограничение: в данных, процессе, модели, интеграциях или самой гипотезе.