Вопросы про ИИ для бизнеса
Обновлено
Ответы на вопросы, которые чаще всего звучат до старта ИИ-проекта. Без обещаний «магического ИИ»: что технология умеет, где её границы и как выглядит внедрение на практике.
- Чем кастомный ИИ-ассистент отличается от ChatGPT?
- ChatGPT — универсальный чат: он не знает ваших регламентов, цен и процессов и отвечает по общим знаниям. Кастомный ассистент работает внутри вашего контура: отвечает по вашим документам и данным, придерживается вашего тона и правил, интегрируется с CRM, helpdesk или сайтом и передаёт сложное человеку. Разница не в «уме» модели, а в подключении к вашему процессу и данным.
- Что такое RAG простыми словами?
- RAG (retrieval-augmented generation) — схема, при которой ИИ сначала находит нужные фрагменты в вашей базе знаний — документах, регламентах, переписке, — а потом отвечает, опираясь именно на них, а не на общую память модели. Ответы привязаны к вашим источникам и проверяемы, а при обновлении документов ассистент отвечает по-новому без переобучения.
- Где работают с данными и можно ли on-premise?
- Выбор модели и провайдера в наших решениях изолирован за адаптером, поэтому решение не привязано жёстко к одному облаку: архитектурно заложен переход на другого провайдера или локальную модель в контуре клиента (on-premise). Какие данные нужны, где они хранятся и кто имеет доступ — фиксируем до старта; в пилоте стараемся обходиться обезличенными или минимально необходимыми данными.
- Что делать, если ИИ ошибается?
- Закладывать это в процесс с самого начала. Во всех наших демо и внедрениях действует один паттерн: уверенные случаи ИИ обрабатывает сам, а спорные и нестандартные передаёт человеку, не угадывая. Метрику качества согласуем до старта и проверяем на реальных данных — так ошибка становится управляемой частью процесса, а не сюрпризом.
- Сколько занимает пилот и что нужно на входе?
- Обычно от 2 недель до 2 месяцев — срок зависит от сложности процесса, доступности данных и интеграций. На входе: описание процесса и цели пилота, контакт ответственного, примеры правильной обработки и, если есть, реальные выгрузки данных. До старта согласуем метрику успеха — по ней решаем, идти ли в прод.
- Какие задачи не стоит отдавать ИИ?
- Те, где цена ошибки высока, а человека в контуре нет: окончательные решения по деньгам, юридическим обязательствам и людям, ответы без права на ошибку, задачи без данных, на которых можно проверить качество. ИИ силён там, где много однотипной работы и есть понятный критерий «правильно»: классификация, черновики, поиск по базе, разбор потока.
- Какой у Strela Digital опыт в ИИ- и ML-проектах?
- 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; в раскладке это 7 клиентских проектов, 4 клиентских продукта, 4 внутренних проекта и 6 собственных продуктов.
Не нашли свой вопрос? Посмотрите живые примеры по задачам или почитайте, как мы работаем.